زمینه و هدف: سرطان پستان به عنوان دومین عامل مرگ ناشی از سرطان در زنان است. با توجه به اهمیت پیش بینی این عارضه، استفاده از روش های داده کاوی می تواند کمک بزرگی در جلوگیری از بروز عوارض لنف ادم در بیماران باشد. هدف از این تحقیق تشخیص ابتلا به لنف ادم می باشد. روش بررسی: در مطالعه کاربردی توصیفی-تحلیلی به صورت گذشته نگر حاضر، عوامل مرتبط با لنف ادم در1117 بیمار مبتلا به سرطان پستان بررسی و احتمال ابتلا به لنف ادم، با به کارگیری الگوریتم های یادگیری ماشین پیش بینی شد. به طوری که پس از جمع آوری داده ای (فروردین 1388 تا خرداد 1397)، احتمال ابتلا به لنف ادم برای بیمار جدید بررسی و عوامل موثر بر بیماری استخراج شد. بدون احتساب زمان جمع آوری داده های آماری، مطالعه از شهریور ماه سال 1398 تا اسفند ماه سال 1399 در مرکز توانبخشی سید خندان ادامه داشت. یافته ها: نتایج الگوریتم ها، در روش وزن دهی یادگیری جمعی دارای صحت 87% و در روش یادگیری جمعی با استخراج ویژگی ها دارای صحت 90% ارزیابی شد و نهایتا بر اساس ارزیابی نهایی تاثیرگذارترین عوامل خطر لنف ادم استخراج شدند. نتیجه گیری: یکی از مهم ترین عوارض در سرطان پستان، لنف ادم در اندام های فوقانی است، که می تواند کیفیت زندگی بیماران را تحت تاثیر قراردهد. وجود روشی که بتواند با دقت بالا به پزشک متخصص پیشنهاد بدهد که آیا بیمار جدید در آینده، مبتلا به لنف ادم می شود یا خیر و یا با چه احتمالی مبتلا می شود، ضروری است.

پیش بینی جریان ترافیک یکی از راه حل های جلوگیری بروز ازدحام در بزرگراه ها است. با توجه به مطالعات انجام یافته، تاکنون یک مدل جامعی برای پیش بینی جریان ترافیک ایجاد نشده است که بتواند مانع وقوع ازدحام در شرایط مختلف ترافیکی شود. یک ایده جالب برای حل این مساله، استفاده از ترکیب چندین مدل پیش بین متفاوت برای کاهش خطای پیش بینی است. در این مقاله یک الگوریتم ترکیب جدید بر اساس منطق فازی جهت پیش بینی جریان ترافیک ارائه شده است و با انواع مختلف الگوریتم های ترکیب و مدل های پیش بین سابق مورد مقایسه قرار گرفته است. عملکرد کنترل کننده های فازی به صورت انتخاب نرم است و انتظار می رود که این الگوریتم ترکیب جدید دارای دقت بالایی نسبت به سایر الگوریتم ها باشد. در ادامه برای نشان دادن عملکرد این الگوریتم ترکیب جدید، شبیه سازی هایی بر اساس داده های واقعی در نرم افزار MATLAB انجام شده است. با توجه به متفاوت بودن الگوهای رفتاری جریان ترافیک در واقعیت، عملکرد الگوریتم ترکیب جدید در حضور داده های ترافیکی آلوده شده تحت شرایط مختلف آب و هوایی نظیر بارش باران یا برف و دیگر شرایط ترافیکی مانند وقوع ازدحام و تصادف در جاده، ارزیابی شده است که حاکی از مقاوم بودن این الگوریتم در حضور انواع مختلف داده های اغتشاشی است.

مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به دلیل تشابه علائم، مانع درمان مؤثر می شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل سازی و تحلیل داده های بیماران است. روش: دادههای جمعآوری شده در این پژوهش کاربردی-توسعه ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه ها در یک بیمارستان روان پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش پردازش داده ها، تعداد ویژگی ها با تحلیل همبستگی به 91 و سپس با تحلیل مؤلفه های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل سازی داده ها در نرم افزار پایتون با الگوریتم های K نزدیک ترین همسایه(KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل ها ارزیابی گردید و پارامترهای الگوریتم های با دقت بالاتر توسط الگوریتم های فراابتکاری بهینه سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم های یادگیری ماشین، دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل ملاحظه ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به ترتیب به عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش بینی را تا 3/3 درصد بهبود بخشید. نتیجه گیری: با خطای طبقه بندی کمتر نسبت به پژوهش های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می تواند در پایش داده های بیماران به کار گرفته شده و در سامانه های هوشمند مراکز روان پزشکی مورد استفاده قرار گیرد.

محاسبه وزن مواد بار کوره های ذوب، اغلب از راه موازنه جرم ساده عناصر آلیاژی در مواد ورودی و مذاب خروجی انجام می شود. اما در فرایندهای ذوب، پیچیدگی ها و پدیده های گوناگونی هست که اغلب در محاسبات موازنه جرم نادیده گرفته می شود و سبب عدم اطمینان در محاسبه بار کوره می گردد. خطای محاسبه، باعث اصلاح چندباره ذوب، تأخیر در تخلیه، افزایش هزینه و کاهش کیفیت مذاب می شود. در پژوهش حاضر تلاش بر این بوده که پیچیدگی ها و جنبه های مهم مساله ذوب، که اغلب نادیده گرفته شده، در کوره شناسایی و در یک مدل ریاضی مناسب درنظر گرفته شود. هدف پژوهش حاضر توسعه مدلی است، که نه تنها وزن مواد اولیه برای ترکیب شیمیایی ذوب هدف را بهینه سازی کند، بلکه هدررفت ناهمگن عناصر آلیاژی، ناخالصی های غیرفلزی مواد بار، و اصلاح ذوب اولیه در کوره را نیز درنظر بگیرد. این مقاله، یک مدل بهینه سازی استاندارد و یک الگوریتم حلقه ی تکرار برای موازنه جرم غیرخطی مساله ذوب ارایه می کند. یک مساله ذوب آلیاژ برنج با 7 عنصر آلیاژی و 8 نوع مواد بار در مقیاس صنعتی طرح و بررسی گردید، تا کارکرد مدل را مورد آزمایش قرار دهد. نتایج عددی مدل کسر وزنی مواد اولیه، و وزن و ترکیب شیمیایی ذوب اصلاح شده را با کمترین هزینه مواد نشان می دهد. تحلیل بهینه بودن جواب، تایید کرد که کمترین مقدار هزینه به دست آمده است. مدل استاندارد غیرخطی، ابزاری قابل اعتماد و سریع برای بهینه سازی هزینه و محاسبه بار کوره است که پتانسیل های قابل توجهی برای کاهش هزینه و تسهیل اتوماسیون صنعتی فرایند ذوب ایجاد می کند.

آزمون نرم افزار یکی از مهم ترین روش های تحلیل میزان اطمینان کیفیت نرم افزار است. این فرایند بسیار زمان بر و پرهزینه است و تقریباً نیمی از هزینه تولید نرم افزار را به خود اختصاص داده است. از این رو به دنبال استفاده از روش های خودکار به منظور کاستن هزینه و زمان آزمون هستیم. مسأله عمده در فرایند تولید داده آزمون، تعیین داده های ورودی برنامه، به گونه ای است که معیار آزمون مشخص شده را برآورده سازد. در این تحقیق از روش ساختاری به منظور فرایند خودکارسازی تولید داده آزمون با تمرکز بر معیار پوشش همه مسیرهای متناهی استفاده شده است. در روش ساختاری، مسأله به یک مسأله جستجو تبدیل شده و از الگوریتم های فرامکاشفه ای برای حل آن استفاده می شود. روش پیشنهادی یک الگوریتم ترکیبی است که در آن الگوریتم یادگیری q به عنوان یک روش جستجوی محلی در درون ساختار الگوریتم جستجوی کواتی مورد استفاده قرار می&rlm, گیرد. به طور متوسط، الگوریتم پیشنهادی ما در مقایسه با سایر الگوریتم ها حدود 25 تا 30 درصد بهبود را در پوشش نشان می دهد که آن را به طور قابل توجهی نسبت به دیگر الگوریتم ها مؤثرتر می کند. نتایج آزمایش ها نشان می دهد که الگوریتم پیشنهادی به دلیل رویکرد بهینه در جست وجوی مسیرهای آزمون، در مقایسه با سایر الگوریتم ها، پوشش مسیر بالاتری حاصل کرده است.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.