3-8-3-1-Bagging……………………….

3-8-1-1-Boosting……………………….

3-8-1-1-الگوریتم های Boosting……………………….

3-8-4- Adaptive Boosting(Adaboost)……………………..

3-8-5- رگرسیون بردار پشتیبان……………………… 51

3-8-6- رگرسیون خطی………………………. 52

نرم افزارهای داده کاوی………………………. 54

3-10- فرایند خرید دارو…………………….. 55

3-11- جمع بندی………………………. 56

فصل 4- روش انجام پژوهش………………………… 58

4-1- مقدمه……………………… 58

4-2- الگوریتم پیشنهادی………………………. 59

4-3- پیش پردازش داده ها…………………….. 60

4-3-1- ساخت ماتریس داده ……………………..60

4-3-1-1-روش ماه های متوالی……………………….. 67

4-3-1-2-روش ماه های یکسان……………………….. 44

4-3-1-3-روش فصول متولی……………………….. 69

 

4-4- الگوریتمهای Prediction………………………

4-4-1- روش NN………………………

4-4-2-روش SVR………………………

4-4-3- روش LSSVR………………………

4-4-4- AdaBoost.R………………………

4-5- مجموعه داده…………………….. 70

4-5-1- پاکسازی داده…………………….. 72

4-6- معیارهای ارزیابی………………………. 72

4-7- جمع بندی………………………. 74

فصل 5- بحث و نتیجه‌گیری………………………. 76

5-1- مقایسه روش های مورد بررسی………………………. 76

5-1-1- ارزیابی الگوریتم با روش ماه های متوالی…………. 77

5-1-2- ارزیابی الگوریتم با روش ماه های یکسان……………… 83

5-2- جمع بندی………………………. 93

فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده……………………… 95

چکیده:

توسعی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از داده­ های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیری­ها و فرایند­های مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتم­ های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه­ های بیمارستان­ها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدل­های MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR2 ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.

فصل نخست: مقدمه

1-1- فناوری اطلاعات در بهداشت و درمان

در سال­های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم­های اطلاعاتی خود برآمده­اند. در ابتدا مقصود از چنین فعالیت­هایی کاهش هزینه­ های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده­ایم که بهبود کیفیت ارائه خدمات

این مطلب را هم بخوانید :

 

 درمانی اهمیتی روزافزون می­یابد و در این راستا بکار­گیری سیستم های اطلاعات بیمارستان­ها بسیار مرسوم شده است.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست­ها كه در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با بهره گرفتن از تکنیک های داده کاوی می توان از داده ­های موجود در این سیستم­ها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2] داده‌کاوی یکی از ده دانش در حال توسعه است و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته است. داده‌کاوی فرایند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه‌های تخصصی با توصیف، تشریح، پیش‌بینی و کنترل پدیده‌های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه‌های مختلفی ازجمله پزشکی و تجارت دارد [3].

2-1- داروخانه های بیمارستانی

افزایش هزینه‌های بیمارستانی در سال‌های اخیر و نیز اجرای طرح خودگردانی و اداره‌ی بیمارستان‌ها به وسیله‌ی درآمد اختصاصی آنها، بیمارستان‌ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخش­های مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماری­های بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیک­های داده کاوی بر روی اطلاعات

پیوست 1: کد شبکه عصبی سری زمانی با آموزش با الگوریتم پیش انتشار خطا…… 67

پیوست 2: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ژنتیک…………. 68

پیوست 3: کد شبکه عصبی مصنوعی با آموزش با الگوریتم ازدحام ذرات………. 71

پیوست 4: کد شبکه عصبی مصنوعی با آموزش با الگوریتم رقابت استعماری……….. 73

چکیده:

تحقیقات بسیاری جهت پیش بینی قابل قبول و قابل اطمینان به کمک روش های شبیه سازی، تحلیل سری های زمانی، ترکیب روش های هوش مصنوعی با روش های تحلیل سری های زمانی و در آخرین آنها ترکیب روش های داده کاوی و هوش مصنوعی با روش های تحلیل سری های زمانی و الگوریتم های بهینه سازی تکاملی در حوزه قیمت سهم در بازار بورس اوراق بهادار صورت گرفته است. در این تحقیق سعی بر آن شده که در قالب فرایند CRISP داده کاوی و با ارجاع به آخرین تحقیقات صورت گرفته، ترکیب شبکه عصبی مصنوعی و الگوریتم های بهینه سازی تکاملی به عنوان مدل پیش بینی قیمت سهم در بازار بورس اوراق بهادار مورد بررسی قرا

ر گیرد. الگوریتم های بهینه سازی تکاملی ژنتیک، ازدحام ذرات و رقابت استعماری در آموزش شبکه عصبی مصنوعی با داده های سری زمانی کاهش یافته قیمت پنج سهم منتخب از بازار بورس اوراق بهادار تهران به کار گرفته شدند و قابل قبول و قابل اطمینان بودن پیش بینی به کمک شبکه عصبی مصنوعی آموزش دیده با الگوریتم ازدحام ذرات بر اساس مقادیر شاخص میزان خطا (mse) پیش بینی شبکه عصبی مصنوعی مورد اشاره به اثبات رسید. همچنین عدم درک آشوب داده ها توسط الگوریتم یادگیری پیش انتشار خطا به چالش کشیده شد.

فصل اول: معرفی تحقیق

1-1- مقدمه

 

این مطلب را هم بخوانید :

بشر در دنیای امروزی به صورت روزمره در بازارهای گوناگون درگیر تصمیم گیری های بیشماری بوده و هر گونه پیشنهادی که امکان بهبود دقت و صحت تصمیم و یا کاهش زمان تصمیم گیری را برای او به ارمغان بیاورد برای وی جذاب و ارزشمند می باشد. یکی از بازارهایی که امروزه رو به رونق بوده و مزایای سیستمهای پشتیبان تصمیم گیری در آن بسیار مشهود می باشد بازارهای پولی و سرمایه شامل بازار بورس اوراق بهادار می باشد. فعالان این بازار به خرید و فروش سهام شرکتها در آن بازار پرداخته و از آن طریق با پذیرفتن ریسکِ آینده سهم برای خود سود و یا زیان به بار می آورند.

در این تحقیق سعی خواهد شد تا با به کارگرفتن تکنیکهای داده کاوی شناخته شده، در مسیر تحقیقات صورت گرفته پیشین، ترکیبی از الگوریتم شبکه عصبی مصنوعی با الگوریتمهای بهینه سازی تکاملی به منظور پیش بینی قیمت سهام شرکتها در بورس اوراق بهادار ارائه گردد. ترکیب الگوریتم شبکه عصبی مصنوعی با سه الگوریتم بهینه سازی تکاملی ژنتیک، رقابت استعماری و ازدحام ذرات روی حداقل پنج سهم مورد

4-3-1- مرحله درک تجاری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4-3-2- مرحله درک داده ­ها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46

4-3-3- مرحله پیش­پردازش داده ­ها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .50

4-3-4- مرحله ساختن مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53

4-3-4-1- الگوریتم C&R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4-3-4-2- الگوریتم CHAID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4-3-4-3- الگوریتم رگرسیون خطی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4-3-4-4- الگوریتم شبکه عصبی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4-3-4-5- الگوریتم کوهونن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58

4-3-5- مرحله ارزیابی مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4-3-6- بکارگیری مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61

4-4- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62

فصل پنجم: نتایج و ارزیابی

5-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5-2- نتایج . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5-2-1- نتایج حاصل از پیش ­بینی مصرف برق مشترکین با در نظر گرفتن “تعطیلات” به عنوان عامل موثر  . . . . . 64

5-2-2- نتایج حاصل از پیش ­بینی مصرف برق مشترکین با در نظر گرفتن “میانگین ارتفاع سقف ابر” به عنوان عامل موثر . . .  .66

5-2-3- نتایج حاصل از پیش ­بینی مصرف برق مشترکین با در نظر گرفتن “کمینه دما و بیشینه دمای موثر” به عنوان عوامل موثر .. . .67

5-2-4- نتایج حاصل از پیش ­بینی مصرف برق مشترکین با در نظر گرفتن “تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر” به عنوان عوامل موثر . . . . . . . . .68

5-2-5- مقایسه عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا . . . . . . . . . 71

5-2-6- خوشه­بندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر . . . . . . .72

5-3- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76

 

فصل ششم: نتیجه ­گیری و پیشنهادات

6-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77

6-2- یافته­ های تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78

6-3- پیشنهاد برای تحقیقات آتی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

منابع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

چکیده:

در عصر حاضر به جرات می­توان گفت بشر برای انجام فعالیت­های روزمره و افزایش رفاه زندگی خود، بیش از هر انرژی دیگر از انرژی الکتریکی بهره می­برد. با توجه به مشکل ذخیره­سازی انرژی الکتریکی، پیش ­بینی میزان بار مورد نیاز به منظور داشتن یک شبکه توزیع برق مطمئن و پایدار حیاتی است. مشترکین برق یکی از اصلی­ترین ارکان زنجیره عرضه برق می­باشند. هدف این تحقیق پیش ­بینی برق مصرفی مشترکین و تحلیل رفتار مصرفی آن­ها تحت تاثیر عوامل آب­و­هوایی و متغیرهای زمانی می­باشد. در صورت داشتن یک پیش ­بینی مناسب و دقیق می­توان از هدررفت منابع مالی ناشی از افزایش هزینه­ های عملیاتی جلوگیری نمود. از سوی دیگر، با توجه به حجم انبوه داده ­های مصرف مشترکین و عوامل موثر، تنها می­توان با بهره گرفتن از ابزارهای نوین فن­آوری اطلاعات همچون داده ­کاوی به تجزیه­وتحلیل داده ­ها پرداخت. ابزار داده ­کاوی به استخراج الگوها و دانش پنهان از داده ­ها جهت یک پیش ­بینی درست می ­پردازد.

در این تحقیق، به بررسی و پیش ­بینی میزان مصرف برق مشترکین شرکت توزیع نیروی برق آذربایجان غربی می­پردازیم. برای این منظور و با در اختیار داشتن داده ­های مصرفی 5595 مشترک طی 12 دوره دوماهه، الگوریتم­های پیش ­بینی کننده همچون CHAID، C&R،Regression ،Neural Networks را بر روی داده ­های موجود اجرا نموده و نتایج حاصل از اجرای هر الگوریتم بر اساس معیارهای ارزیابی خطای پیش ­بینی مانند میانگین درصد قدرمطلق خطا مورد بررسی و مقایسه قرار گرفت. نیز با خوشه­بندی مشترکین با بهره گرفتن از الگوریتم Kohonen به بررسی رفتار مصرفی آن­ها پرداخته شد. در نهایت، به نتیجه ­گیری و ارائه ­پیشنهادات پرداختیم.

فصل اول: مقدمه و طرح مسئله

1-1- مقدمه

انرژی به طور عام و انرژی الکتریکی به صورت خاص، از ارکان مهم رشد و توسعه اقتصادی جوامع می­باشد. صنعت برق در اقتصاد ملی و تامین رفاه اقتصادی و اجتماعی کشورها ارزش زیادی دارد و جزء صنایع مهم زیربنایی است. اصولا انرژی الکتریکی تمیزترین و بهترین نوع انرژی است که به آسانی می­توان آن را به هر نقطه­ای انتقال داد.

تأمین انرژی الکتریکی همواره یکی از نیازهای جوامع پیشرفته کنونی بوده است. با توجه به پیشرفت­های صورت گرفته در حال­حاضر تقریبا اکثر فعالیت­های روزمره­ی تجاری، پزشکی، صنعتی و … با بهره گرفتن از این انرژی صورت می­گیرد. با در نظر گرفتن رشد سریع جوامع، نیاز به تأمین انرژی برق هر چه بیشتر احساس می­گردد.

یکی از مسائلی که در این رابطه حتماً باید مد­نظر قرار گیرد، زمان­بر و هزینه­بر بودن ساخت تأسیسات بزرگ تولید و انتقال انرژی الکتریکی می­باشد. همین امر لزوم پیش ­بینی میزان انرژی الکتریکی مورد نیاز در دوره­ های بعدی را هر چه بیشتر مشخص می­ کند. بنابراین برای داشتن یک شبکه­ی قابل اطمینان باید یک دید کلی از مصرف انرژی در دوره­ های مصرف بعدی داشت و با توجه به آن برنامه ­ریزی ساخت و نصب تجهیزات گوناگون شبکه ­های تولید، انتقال و توزیع را انجام داد. در این راستا مسأله­ برآورد انرژی الکتریکی از اهمیت بالایی برخوردار می­باشد که دقیق­تر بودن آن به معنی استفاده بهتر از امکانات و جلوگیری از به هدر رفتن سرمایه می­باشد .

در ایران نیز با توجه به نیازهای روزافزون كشور به انرژی و رشد سریع مصرف انرژی، بخصوص انرژی الكتریكی، نیاز به مدیریت و برنامه ­ریزی مناسب در جهت تامین این انرژی برای مشتركین از اهمیت بالایی برخوردار خواهد بود.

از سوی دیگر با توجه به تاثیر عوامل متعدد و پیچیده بر میزان مصرف انرژی الکتریکی، شناخت این عوامل و بررسی میزان تاثیر هر گروه از عوامل می ­تواند در تدوین

این مطلب را هم بخوانید :

 

 الگوها­ی مصرف مطلوب کارا باشد. استفاده از روش­های آماری سنتی با توجه به حجم عظیم اطلاعات کارکرد مشترکین و تعدد عوامل موثر بر مصرف در زمینه برآورد انرژی الکتریکی مورد نیاز بسیار دشوار می­باشد، بنابراین ابزار­ها­ی نوین فن­آوری اطلاعات همچون پایگاه­ داده و داده ­کاوی می ­تواند با پیش ­بینی دقیق میزان مصرف برق و استخراج الگوها و دانش پنهان در اطلاعات مصرفی مشترکین راهکار مناسبی در زمینه­ مدیریت مصرف انرژی الکتریکی باشد.

2-1- بیان مسئله تحقیق

امروزه اهمیت انرژی بر هیچ کسی پوشیده نیست. انرژی در حیات جوامع، نقش زیربنائی را ایفا می­ کند و به عنوان عامل اصلی هرگونه فعالیتی به شمار می‌رود. یكی از ویژگی­های دنیای امروز ، استفاده گسترده از انرژی الكتریكی است. انرژی الکتریکی ما را قادر به استفاده از لوازم الکتریکی از جمله لوازم خانگی، رایانه­ها، تجهیزات مخابراتی، پزشکی و حمل­و­نقل، و همه­ی آنچه که کیفیت زندگی را افزایش می­دهد، می­سازد؛ مسلما بسیاری از این لوازم، در زندگی روزمره­ ضروری و حیاتی می­باشند ]6[.

سهولت تبدیل انرژی الکتریکی به سایر انواع انرژی و امکان انتقال سریع آن به نقاط مختلف بر اهمیت استفاده از آن در دنیای مدرن امروزی افزوده وآن را به مهمترین منبع تامین انرژی تبدیل کرده است. این امر موجب گستردگی و مقبولیت استفاده از برق در مصارفی همچون خانگی، تجاری، صنعتی، کشاورزی و سایر مصارف گردیده است. بنابراین سهم و میزان مصرف برق هر یک از بخش­های مصرف ­کننده از اهمیت ویژه­ای برخوردار است ]1[. در سراسر جهان، مشترکین خانگی درصد قابل توجهی از مصرف برق را به خود اختصاص می­ دهند ]7[. در سال 1390، بخش خانگی 9/30% از کل انرژی برق کشور را مصرف نموده و بعد از بخش صنعت در رتبه دوم مصرف انرژی الکتریکی قرار گرفته است ]5[

علیرغم مزایای فراوان، توانایی ذخیره­سازی انرژی الکتریکی وجود ندارد، لذا شناسایی الگوی مستمر عرضه و تقاضا و پیش ­بینی میزان برق مصرفی مشترکین برای تامین انرژی الکتریکی با قابلیت اطمینان بالا،

3-4- جمع بندی  ……………….. 51

فصل چهارم ……………….. 52

4- آزمایش ها و نتایج…………………. 53

4-1- مقدمه ……………….. 53

4-2- روش نمونه بردای  ……………….. 53

4-3- مشخصات کامپیوتر استفاده شده در این تحقیق………………..   56

4-4- نتایج بدست آمده و مقایسه آن………………..  56

4-5- جمع بندی  ……………….. 58

فصل پنجم  ……………….. 59

5- نتیجه گیری…………………. 60

5-1- مقدمه ……………….. 60

5-2- تحقیق های آینده ………………..60

فصل ششم ………………..  62

6- پیوست ها……………….. 63

6-1- مشخصات هندسی صفحه لمسی طراحی شده……………….. 63

6-2- محاسبه مقدار ولتاژ خروجی به صورت نمونه ……………….. 63

6-3- برگه های مشخصات سنسور ها……………….. 66

 

7- فهرست منابع………………… 77

چکیده:

مسئله موقعیت یابی همواره به عنوان پایه و اساس مسائل مطرح در تمامی انواع صفحات لمسی بحث برانگیز بوده است، منظور از موقعیت یابی، تشخیص مکان انگشت یا انگشتان قرار داده شده بر سطح صفحه لمسی می باشد.از طرفی وابستگی شدید صفحات لمسی به جنس مواد بکار رفته در ساخت آنها موجب بروز چالشی عظیم در نحوه ساخت صفحات لمسی جهت افزایش دقت موقعیت یابی شده است، در این پایان نامه ابتدا با بررسی صفحات لمسی رایج، روشی جدید جهت موقعیت یابی فارغ از جنس مواد بکار رفته در ساخت صفحه لمسی ارائه شده است. این روش تلفیقی از روش تحلیل سیگنال Liu در صفحات لمسی آکاستیکی و صفحات لمسی ساخته شده از سنسور های مادون قرمز ارائه شده توسط Moeller می باشد. مهمترین تفاوت روش ارائه شده با روش های قبلی، علاوه بر سخت افزار ارائه شده، نحوه تحلیل داده ها و تغییر در مدل سازی داده های بکار رفته با بهره گرفتن از روش نزدیکترین همسایه می باشد. نتایج نشان دهنده بهبود عملکرد این روش نسبت به روش Liu در بستر جدید ارائه شده می باشد.

تعاریف

در این پایان نامه از تعاریف جدیدی صحبت به میان آورده شده است که به دلیل وسعت کاربرد ابتدا لازم است تا این تعاریف را در چند خط معرفی نموده تا خواننده بتواند به بهترین نحو از مطالب استفاده نماید:

– صفحه لمسی: به تمامی اجسام مسطحی که با لمس آنها بتوان مکان لمس شده در آنها را تشخیص دادصفحه لمسی گفته می شوذ. صفحات لمسی در ابعاد مختلف و انواع مختلف در نظر گرفته می شود.

– بستر: به سیستمی سخت افزاری اعم از نوع و نحوه استفاده از سنسور ، جنس مواد بکار رفته در صفحه یا صفحات، نحوه قرارگیری صفحه یا صفحات ، تمامی مدارات جانبی . غیره ارائه شده توسط فرد یا افراد می باشد که در نهایت منجر به تولید یک صفحه لمسی می گردد.(سه بستر مختلف در این پایان نامه ارائه و بررسی می گردد)

– روش در بستر : به روش های نرم افزاری که به کمک آن بتوان مکان لمس شده در صفحه لمسی را تشخیص داد اتلاق میگردد.(سه روش در این پایان نامه ارائه و بررسی می گردد)

فصل اول: مقدمه

 

این مطلب را هم بخوانید :

1- مقدمه

1-1- مقدمه

امروزه استفاده از صفحه نمایش های لمسی، بسیار گسترده شده و با توجه به این روند در حال پیشرفت تقاضای استفاده از آن نیز رو به افزایش است(شکل 1-2 نشانگر افزایش روز افزون استفاده از این تکنولوژی را نشان می دهد). به گونه ای که نظر بسیاری از کمپانی ها و موسسات بین المللی را به خود جلب کرده است، تا جایی که بسیاری از موسسات در حیطه های مختلف کاری از جمله IT, Medicine ,Computer, ATM و غیره سعی در بکارگیری و پشتیبانی از این تکنولوژی نه چندان جدید در محصولات خود را داشته اند(شکل 1- 1).

همچنین استفاده از این تکنولوژی به گونه ای شایع شده که اغلب کشورهای صنعتی جهان تمایل خاصی به استفاده از آن در محصولات مختلف خود نموده اند، به عنوان مثال طی بررسی های انجام شده توسط موسسه DisplaySearch آمریکا در سال 2010 بیشترین میزان استفاده از صفحه نمایش لمسی در محصولات ژاپنی وسپس در آمریکایی بوده است.(شکل 1-2 بیانگر این موضوع می باشد.)

3-3-1- کدگذاری توابع عضویت فازی…………………. 78

3-3-2- کدگذاری قوانین فازی…………………. 80

3-3-3- PSO پیشنهادی…………………. 82

3-3-5- توابع برازش کیفیت قوانین…………………. 87

3-5- نتیجه‌گیری…………………. 90

فصل چهارم – محاسبات و یافته‌های تحقیق…………………. 91

4-1- داده‌های مورد استفاده……………….. 92

4-2- تنظیم پارامترها……………….. 94

4-3- روش‌های استفاده شده به منظور مقایسه………………… 97

4-4- نتایج…………………. 98

4-5- نتیجه گیری…………………. 101

فصل پنجم – نتیجه گیری و پیشنهادات…………………. 102

5-1- خلاصه و نتیجه‌ گیری…………………. 103

 

5-2- پیشنهادات………………….. 103

منابع:……………….. 105

چکیده:

تشخیص بیماری دیابت و یا آگاهی یافتن از احتمال بالای ابتلا به این بیماری همواره کار آسانی نخواهد بود. چرا که این بیماری علائم متعددی را بروز می‌دهد که بعضی از این علائم در سایر بیماری‌های دیگر نیز وجود دارند. بنابراین پزشک برای اتخاذ یک تصمیم مناسب، باید نتیجه‌ی آزمایش‌های بیمار و تصمیم‌هایی که در گذشته برای بیماران با وضیعت مشابه گرفته است، را بررسی کند.

در این پایان نامه از یک الگوریتم دسته‌بندی مبتنی بر قانون برای دسته‌بندی بیماران دیابتی استفاده شده است. برای استخراج قوانین فازی از یک الگوریتم بهینه سازی ازدحام ذرات استفاده شده است. این الگوریتم دارای ویژگی‌هایی است که آن را از سایر الگوریتم مورد استفاده متمایز می‌کند. از جمله‌ی این ویژگی‌ها می‌توان به تابع افزایش تنوع ذرات و تکامل هم‌زمان توابع عضویت و قوانین فازی اشاره کرد. برای ارزیابی کارایی الگوریتم از مجموعه داده‌ی دیابت استفاده شده است. نتایج ارزیابی‌ها نشان می‌دهد که الگوریتم برای مجموعه داده‌ی دیابت دارای کارایی بسیار بالایی می‌باشد. همچنین کارایی الگوریتم پیشنهادی به علت بالا بردن قابلیت تفسیرپذیری دسته‌بند (کاهش تعداد قوانین فازی) بسیار مناسب می‌باشد.

فصل اول: مقدمه و کلیات تحقیق

 

این مطلب را هم بخوانید :

1-1- مقدمه

افزایش استفاده از کامپیوترها در فعالیت‌های کسب و کار، منجر به رشد سریع پایگاه‌های اطلاعاتی و اجتماع داده‌ها توسط بیشتر سازمان‌ها شده است. روزانه حجم عظیمی از داده‌ها تولید شده و در پایگاه‌های مختلف داده ذخیره می‌شود. در سال‌های اخیر تمایل به جستجو برای کشف الگوهای تکرار‌پذیر به منظور بهبود در تصمیم گیری افزایش چشمگیری داشته است. همچنین کاوش در داده‌های تراکنشی جهت یافتن الگوهای پنهان و تکنیک‌های کشف دانش به منظور شناخت دقیق‌تر و بیشتر تراکنش‌ها، اهمیت بسزایی یافته است. [1]. در حوزه پزشکی و سلامت با افزایش استفاده از سیستم‌های جامع درمانی و پرونده‌های الکترونیک بیمار در بیمارستان‌ها و مراکز درمانی حجم انبوهی از اطلاعات مربوط بیماران و انواع بیماری‌ها مهیا می‌شود. [2]. استخراج دانایی از حجم عظیم داده‌های مرتبط با سوابق بیماری و پرونده‌های پزشکی افراد با بهره گرفتن از فرایند داده‌کاوی می‌تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و افت بیماری‌ها گردیده و اطلاعات ارزشمندی را به منظور شناسایی علل وقوع بیماری‌ها با توجه به عوامل محیطی حاکم در اختیار متخصصین و دست اندر کاران حوزه سلامت قرار دهد؛ که این امر در نهایت منجر به افزایش متوسط طول عمر افراد جامعه و ایجاد آرامش می‌گردد. [3].