مریم شوشتری - دانشجوی ارشد مهندسی نرم افزار موسسه غیرانتفاعی دیلمان لاهیجان
محمدرضا یمقانی - عضو هیئت علمی گروه کامپیوتر واحد دانشگاه آزاد اسلامی لاهیجان،
راهبه مجتهدی - عضو هیئت علمی گروه کامپیوتر واحد دانشگاه آزاد اسلامی لاهیجان،
مجید مشکین مژه - عضو هیئت علمی موسسه غیرانتفاعی دیلمان لاهیجان

بیماری دیابت یکی از شایعترین بیماریهای حاضر دنیا شناخته شده است که علیرغم گستردگی شیوع این بیماری هنوز روشی به منظور ریشه کن کردن و از بین بردن آن در دنیا شناخته نشده است. تاکنون روشهای هوشمند گوناگونی به منظور حل این مشکل بنیادی در سراسر جهان ارائه گردیده که از آن جمله میتوان به استفاده از روش های تکاملی و نیز استفاده از روش الگوریتم های فازی تشخیص الگو در استخراج ویژگی اشاره نمود. پیشنهاد اخیر محققان در زمینه شناسایی بیماریها منجر به از استفاده از روشهای متکی بر پردازش خودکار و یادگیری ماشینی است که با استفاده از آنها، آنالیز میتواند سبب تمایز میان افراد سالم و یا بیماران دیابتی شود. پیشتر روشهای خودکار ارائه شدهاند که اغلب با دقت کم و عدم قطعیت در دستیابی به پاسخ بهینه همراه بودهاند، جامعیت لازم را ندارند و یا آنکه با مشکل بیش برازش همراه هستند. در این پایان نامه الگوریتمی در جهت تشخیص خودکار بیماری دیابت نوع 1 بر اساس تئوری کارآمد مرکب از شبکه های عصبی، سیستم های استنتاج فازی، الگوریتم ژنتیک و الگوریتم تکاملی ازدحام ذرات پیشنهاد شده که نسبت به روشهای مشابه، از دقت و سرعت بالاتری در عملکرد برخوردار میباشد. در فاز نخست، توسط الگوریتم ازدحام ذرات کمینه ترین تعداد ویژگی انتخاب میشود، سپس در الگوریتم دو مرتبه در آموزش شبکه عصبی فازی تطبیقی-تکاملی )ژنتیک( به دنبال بهترین جواب خواهد بود. مدل شبکه عصبی-فازی تطبیقی تکاملی با کمک الگوریتم ژنتیک طراحی میشود و قادر است با کمترین میزان خطا وجود بیماری دیابت را آشکار سازد. مزیتهای عمده به کارگیری این الگوریتم در آموزش مدل شبکه عصبی فازی انطباقی نسبت به دیگر الگوریتم های بهینه سازی در تشخیص بیماری، قطعیت در رسیدن به پاسخ صحیح و تحلیل مسائل پیچیده با ابعاد گسترده است. برای آموزش شبکه عصبی پیشنهادی از تکنیک اعتبارسنجی K-f old استفاده شده است. علاوه بر داده های دیابت، داده های دیگری نیز از مرجع UCI دریافت شده و با اعمال این داده ها به سیستم، الگوریتم پیشنهادی در سطح قابل قبولی با خطای کمتر از 15 % درتشخیص بیماری دیابت موثر واقع شده است.

بیماری دیابت، شبکه عصبی فازی انطباقی تکاملی، الگوریتم ازدحام ذرات، جامعیت و عدم قطعیت