light box
امتیاز 2.93 بهینه سازی جست و جوی فیل همراه با شبکه عصبی عمیق">

نوع فایل : word
تعداد صفحات : 23
تعداد کلمات : 6800
مجله : ournal of King Saud University – Computer and Information Sciences
انتشار : 2020
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:بهینه سازی جست و جوی فیل  همراه با شبکه ی عصبی عمیق برای  تحلیل داده های ریزآرایه

 چکیده  

 اگرچه تحقیقات زیادی در زمینه تجزیه و تحلیل داده‌های بیان ژن ریزآرایه وجود دارد، با این وجود چالش‌هایی را برای محققان در تجزیه و تحلیل مؤثر و در عین حال بیان بزرگ و در عین حال پیچیده ژن‌ها به وجود می‌آورند. روش انتخاب ویژگی (ژن) برای درک تفاوت‌های تنوع بیولوژیکی و غیر بیولوژیکی بین نمونه‌ها از اهمیت فوق العاده ای برخوردار است. به منظور حل این مشکل، بهینه سازی مبتنی بر جستجوی فیل (ESA) برای انتخاب بهترین عبارات ژن از حجم زیادی از داده‌های ریزآرایه پیشنهاد شده است. از الگوریتم جست و جوی کرم شب تاب همچنین برای درک اثربخشی روش جستجوی فیل در روند انتخاب ویژگی استفاده می‌شود. شبکه عصبی عمیق مبتنی بر گرادیان نزولی تصادفی به عنوان یادگیری عمیق (DL) با عملکرد فعال سازی بیشینه هموار سپس بر روی ویژگی‌های کاهش یافته (ژن‌ها) برای طبقه بندی بهتر نمونه‌های مختلف با توجه به سطح بیان ژن آنها استفاده می‌شود. این آزمایشات بر روی ده مجموعه محبوب‌ترین ژن انتخاب ژن ریزآرایه سرطان، که از مخزن یادگیری ماشین UCI بدست آمده است، انجام شده است. نتایج تجربی بدست آمده از رویكرد یادگیری عمیق مبتنی بر جستجوی فیل با آخرین مقاله منتشر شده برای مناسب بودن آن در تحقیقات آینده بیوانفورماتیک مقایسه می‌شود. سرانجام، آزمون معناداری آماری با استفاده از ANOVA یک طرفه با آزمون تعقیبی توکی برای استنباط تعدادی از بینش در مورد انتخاب بهترین مدل طبقه بندی انجام شده است(بهینه سازی جست و جوی فیل).

Title: Elephant search optimization combined with deep neural network for microarray data analysis

Abstract

 Even though there is a plethora of research in Microarray gene expression data analysis, still, it poses challenges for researchers to effectively and efficiently analyze the large yet complex expression of genes. The feature (gene) selection method is of paramount importance for understanding the differences in biological and non-biological variation between samples. In order to address this problem, Elephant search (ESA) based optimization is proposed to select best gene expressions from the large volume of microarray data. Firefly search (FFS) is also used to understand the effectiveness of the Elephant search method in feature selection process. Stochastic gradient descent based Deep Neural Network as Deep learning (DL) with softmax activation function is then used on the reduced features (genes) for better classification of different samples according to their gene expression levels. The experiments are carried out on ten most popular Cancer microarray gene selection datasets, obtained from UCI machine learning repository. The empirical results obtained by the proposed elephant search based deep learning approach are compared with the most recent published article for its suitability in future Bioinformatics research. Finally, Statistical significance test by one-way ANOVA with post hoc Tukey’s test is conducted to deduce a number of insights on the selection of the best classification model.

 

ثبت دیدگاه

    • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
    • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
    • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

محصولات مشابه
ارزیابی ومرور جامع ریسک ها و مزایای مصرف قهوه
خـریـد محـصـول
غذاهای فراسودمند: مزایا ، نگرانی ها و چالش ها – مقاله مربوط به شورای علوم و سلامت آمریکا
خـریـد محـصـول
انرژی، اکسرژی و تجزیه و تحلیل اقتصادی دیگهای بخار صنعتی
خـریـد محـصـول
تجزیه و تحلیل انرژی و اکسرژی نیروگاه بخار در اردن
خـریـد محـصـول
NICE: سیستم بیان برای لاکتوکوکوس لاکتیس: سیستم بیان ژن کنترل شده نایسین
خـریـد محـصـول
پروژه بررسی خوشه بندی مبتنی بر منطق فازی شبکه های حسگر بیسیم
خـریـد محـصـول
اثرات سرریز افشای MD&A برای سرمایه گذاری حقیقی: نقش رقابت صنعتی
خـریـد محـصـول
آیا کاهش نرخ مالیات موثر نشان دهنده اجتناب مالیاتی است؟
خـریـد محـصـول
تغییرات رشدی در اثرات اندازه برای مسائل جمع ساده
خـریـد محـصـول
زیرساخت مدیریت دارایی (IAM): تکامل و ارزیابی
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. لیست اختراعات ثبت شده در اداره ثبت اختراعات ایران دارای طبقه بندی های متفاوتی است. در طبقه بندی بین المللی B که شامل اختراعات حوزه نیاز ها بشری شامل عملیات اجرایی، حمل و نقل شامل: کشتیرانی، ترابری و دیگر موارد را میتوانید در پایگاه جستجوی دارایی های فکری دارکوب مشاهده کنید.

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

 
برو بالا