این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۵، شماره ۲، صفحات ۲۹-۴۶
عنوان فارسی انتخاب ژن و طبقه بندی سلول های سرطانی بر پایه داده های ریزآرایه با استفاده از الگوریتم ترکیبی BPSO و BLDA
چکیده فارسی مقاله داده های ریزآرایه در تشخیص و طبقه بندی انواع بافت های سرطانی نقش بسزایی دارند. در پژوهش های سرطان همیشه تعداد نسبتا کم نمونه ها در ریزآرایه باعث ایجاد مشکلاتی در طراحی طبقه بندها شده است. بنابراین داده های ریزآرایه قبل از طبقه بندی از طریق تکنیک های انتخاب ژن پیش پردازش و ژن های فاقد اطلاعات آن ها دور ریخته می شود. اساسا یک روش انتخاب ژن مناسب می تواند بطور موثر کارایی دسته بندی بیماری ها (سرطان) را بهبود بخشد. در این مقاله یک روش جدید بر پایه مدل ترکیبی ازدحام ذرات باینری (BPSO) و آنالیز تفکیک کننده خطی بیز (BLDA) جهت طبقه بندی داده های ریزآرایه با ابعاد بالا ارائه شده است. ابتدا موقعیت هر ذره بصورت بردار باینری و بصورت تصادفی نمایش داده می شود. بطوریکه هر بیت نشاندهنده یک ژن است. بیت صفر نشاندهنده این است که ویژگی (ژن) متناظر با آن انتخاب نشده و بیت یک نشاندهنده این است که ژن متناظر با آن انتخاب شده است. لذا موقعیت هر ذره بیانگر یک مجموعه ژن بوده و میزان تناسب هر ذره توسط الگوریتم طبقه بندی آنالیز تفکیک کننده خطی بیز جهت ارزیابی کیفیت مجموعه ژن انتخاب شده توسط آن ذره محاسبه می شود. الگوریتم پیشنهادی بر روی چهار مجموعه از پایگاه داده سرطان اعمال و نتایج آن با سایر روش های موجود مقایسه شده است. نتایج پیاده سازی نشان می دهد که الگوریتم پیشنهادی از دقت و اعتبار بالایی در مقایسه با سایر روش های موجود برخوردار بوده و قادر است یک مجموعه کوچک از ژن های حاوی اطلاعات را به گونه ای انتخاب کند که دقت طبقه بندی افزایش یابد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Gene selection and cancer classification based on microarray data using combined BPSO and BLDA algorithm
چکیده انگلیسی مقاله Microarray data have an important role in identification and classification of the cancer tissues. In cancer researches always a few samples of microarrays are led to some problems in designing the classifiers, so non-informative genes have been removed from microarray data before classification using the preprocessing gene selection techniques. Basically, appropriate gene selection method can significantly improve the performance of cancer classification. In this paper, a new method is proposed based on hybrid model Binary Particle Swarm Optimization algorithm and Bayesian Linear Discriminant Analysis in order to classification of large scale microarray data. First, the position of each particle is represented in the form of binary vector and random, as each bit illustrates a gene. The zero and one bits represent that the corresponding feature (gene) is not/is selected, respectively. So the position of each particle clarifies a gene subset and fitness of each particle is calculated using Bayesian Linear Discriminant Analysis algorithm to quality evaluation of selected gene subset by that particle. The proposed algorithm is applied on four cancer datasets and its results are compared with other existed methods. Simulation results illustrate that proposed algorithm has high accuracy and validity compared to other existed methods and enables to select the small subset of informative genes in order to increase the classification accuracy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی مومن نژاد |
دانشکده مهندسی برق- دانشگاه صنعتی سهند تبریز
سازمان اصلی تایید شده: دانشگاه صنعتی سهند (Sahand university of technology)

محمدحسین صداقی | mohammad hossein
دانشکده مهندسی برق- دانشگاه صنعتی سهند تبریز
سازمان اصلی تایید شده: دانشگاه صنعتی سهند (Sahand university of technology)

حمیدرضا صابرکاری |
دانشکده مهندسی برق- دانشگاه صنعتی سهند تبریز
سازمان اصلی تایید شده: دانشگاه صنعتی سهند (Sahand university of technology)

موسی شمسی |
دانشکده مهندسی برق- دانشگاه صنعتی سهند تبریز
سازمان اصلی تایید شده: دانشگاه صنعتی سهند (Sahand university of technology)

مهسا جروقی |
دانشکده مهندسی برق- دانشگاه صنعتی سهند تبریز
سازمان اصلی تایید شده: دانشگاه صنعتی سهند (Sahand university of technology)

نشانی اینترنتی http://isee.ui.ac.ir/article_15390_8f53049b655c76ed661d34c849792619.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343769.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات