Andere Kunden interessierten sich auch für
![Tecniche di soft computing per il rilevamento del cancro al seno]( "Tecniche di soft computing per il rilevamento del cancro al seno")
Tecniche di soft computing per il rilevamento del cancro al seno42,99 €![Soft computing Techniques for Breast Cancer Detection]( "Soft computing Techniques for Breast Cancer Detection")
Soft computing Techniques for Breast Cancer Detection43,99 €![Techniques d'informatique douce pour la détection du cancer du sein]( "Techniques d'informatique douce pour la détection du cancer du sein")
Techniques d'informatique douce pour la détection du cancer du sein42,99 €![Técnicas de computação suave para a deteção do cancro da mama]( "Técnicas de computação suave para a deteção do cancro da mama")
Técnicas de computação suave para a deteção do cancro da mama42,99 €![Metody mqgkih wychislenij dlq obnaruzheniq raka molochnoj zhelezy]( "Metody mqgkih wychislenij dlq obnaruzheniq raka molochnoj zhelezy")
Metody mqgkih wychislenij dlq obnaruzheniq raka molochnoj zhelezy42,99 €![Técnicas de soft computing para la detección del cáncer de mama]( "Técnicas de soft computing para la detección del cáncer de mama")
Técnicas de soft computing para la detección del cáncer de mama43,99 €![Entdeckung von Arzneimitteln und QSAR-Techniken]( "Entdeckung von Arzneimitteln und QSAR-Techniken")
Entdeckung von Arzneimitteln und QSAR-Techniken43,90 €
Soft Computing (SC) hat sich als vielseitiges Werkzeug für die Lösung komplexer Berechnungsprobleme in verschiedenen Bereichen erwiesen. SC nutzt menschenähnliche Erkennungs- und Lernfähigkeiten, um innovative Lösungen für reale Herausforderungen zu finden. In einer Ära der Datenexplosion erfordert eine effektive Datenverarbeitung die Auswahl von Schlüsselattributen für die Vorhersagemodellierung, was zu der Forderung nach einer Auswahl von Teilmengen von Merkmalen führt. Die Auswahl von Teilmengen von Merkmalen ist ein schwieriges NP-Hard-Problem, wobei verschiedene Methoden in Filter-, Wrapper- und eingebettete Ansätze unterteilt werden können. Metaheuristische Algorithmen, die für ihre globalen Suchfähigkeiten bekannt sind, wurden für die Merkmalsauswahl genutzt, um die Klassifizierungsgenauigkeit zu maximieren. Mit einem Schwerpunkt auf medizinischen Anwendungen wird in dieser Studie die computergestützte Diagnose untersucht, bei der populationsbasierte Merkmalsauswahlmethoden die Klassifizierungsgenauigkeit verbessern, indem sie die Analysezeit reduzieren. In der Studie werden zwei neue metaheuristische Methoden, der Separated Enemy Driven Dragon Algorithm (SEDDA) und der Fitness-based Crow Search Algorithm (FSCA), vorgestellt und mit etablierten Verfahren verglichen.