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

:

تاریخ انتشار
2 دسامبر 2020
دسته بندی
تعداد بازدیدها
1747 بازدید
26,000 تومان

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).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

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.
 
دیدگاهتان را بنویسید