لیلا زارع - دانشجوی کارشناسی ارشد مکاترونیک دانشگاه آزاد اسلامی واحد کاشان
محمد عطاریان - گروه کامپیوتر واحد کاشان دانشگاه آزاد اسلامی کاشان ایران
مهدی اسماعیلی - گروه کامپیوتر واحد کاشان دانشگاه آزاد اسلامی کاشان ایران

شبکه های عصبی در رده الگوریتمهای دسته بندی با ناظر، به دلیل قدرت بالا در مدل سازی و پیشگویی روابط بین متغیرها، از محبوبیت بالایی در بین محققین برخوردار می باشد. یکی از مهمترین مشکلات این الگوریتم ها، تنظیم پارامترهای آن می باشد. برای این منظور نیاز به استفاده از دانش فرد خبره می باشد. تنظیم پارامترهای شبکه عصبی تاثیر فراوانی بر کارایی آن از نقطه نظر دقت و زمان می گذارد. یکی از راههای تعیین بهترین پارامترهای شبکه عصبی، استفاده از الگوریتم ژنتیک و جستجوی اکتشافی در مساله می باشد. از طرفی دیگر، استفاده از رویکرد کلاسیفایرهای چندگانه، موجب افزایش دقت سیستم پیشگو شده و یکی از راههای افزایش دقت به شمار می رود. در یادگیری چندگانه بهترین حالت آن است که تمایز بین کلاسیفایرها حداکثر شده تا هریک قسمتی از فضای مدل نهایی را پوشش دهند. در این مقاله هدف بر است تا به کمک الگوریتم ژنتیک پارامترهای شبکه عصبی را تنظیم نماییم. برای این منظور چند پارامتر مهم را در نظر گرفته و در فرایند تکاملی، به دنبال بهترین ترکیب آنها می گردیم. در مرحله دوم، از میان بهترین شبکه های تولید شده از مرحله اول، بهترین دسته آنها را جهت ساخت مجموعه یادگیرهای چندگانه بازهم توسط الگوریتم ژنتیک انتخاب می کنیم. نتایج به دست آمده نشان داد که روش پیشنهادی توانایی افزایش دقت و کارایی مدل پیشگو را در تشخیص سرطان سینه به 96%دارد.

دادهکاوی، شبکه عصبی، الگوریتم ژنتیک، فرایند تکاملی، یادگیری چندگانه