tailieunhanh - Cải thiện hiệu quả mạng neuron hỗ trợ chẩn đoán bệnh da liễu bằng phương pháp thay đổi số neuron trong lớp ẩn

Hiện nay, việc ứng dụng mạng Neuron nhân tạo hỗ trợ chẩn đoán bệnh lý đang ngày càng phổ biến nên việc cải thiện các chỉ tiêu chất lượng cho các mạng này như độ chính xác chẩn đoán, tốc độ hội tụ của quá trình huấn luyện mạng vốn phụ thuộc vào việc xác định số Neuron trong lớp ẩn cho mạng chẩn đoán đang được quan tâm đặc biệt. Để góp phần giải quyết vấn đề này, bài viết sẽ trình bày việc sử dụng phương pháp thay đổi số Neuron trong lớp ẩn của mạng. | Kỹ thuật Điện tử Vật lý Đo lường CẢI THIỆN HIỆU QUẢ MẠNG NEURON HỖ TRỢ CHẨN ĐOÁN BỆNH DA LIỄU BẰNG PHƯƠNG PHÁP THAY ĐỔI SỐ NEURON TRONG LỚP ẨN Nguyễn Thị Thủy Đinh Văn Quang Đỗ Văn Thanh Huỳnh Lương Nghĩa Tóm tắt Hiện nay việc ứng dụng mạng Neuron nhân tạo hỗ trợ chuẩn đoán bệnh lý đang ngày càng phổ biến nên việc cải thiện các chỉ tiêu chất lượng cho các mạng này như độ chính xác chẩn đoán tốc độ hội tụ của quá trình huấn luyện mạng vốn phụ thuộc vào việc xác định số Neuron trong lớp ẩn cho mạng chẩn đoán đang được quan tâm đặc biệt. Để góp phần giải quyết vấn đề này trong bài báo sẽ trình bày việc sử dụng phương pháp thay đổi số Neuron trong lớp ẩn của mạng. Từ khóa Mạng Neuron nhân tạo Lớp ẩn. 1. ĐẶT VẤN ĐỀ Trong rất nhiều công trình nghiên cứu ứng dụng mạng Neuron nhân tạo gần đây điển hình như bài báo 1 đã đưa ra kết luận rằng Phân loại bằng cách sử dụng các mô hình mạng Neuron nhân tạo cho thấy tỷ lệ phần trăm thành công rất tốt. Mạng Neuron nhân tạo đa lớp truyền thẳng MLP multi-layer perceptron networks được thử nghiệm cho bài toán phân loại bệnh lý dựa trên các thông tin triệu chứng ảnh chụp y tế và kết quả phân tích xét nghiệm là phù hợp để sử dụng trong chẩn đoán y học hình 1 . Hình 1. Chẩn đoán y tế sử dụng mạng Neuron MLP 4 . Thông thường đầu vào của mạng này là các triệu chứng thuộc tính bệnh lý được ghi nhận bằng các phương thức khác nhau và đầu ra là kết quả chẩn đoán được khẳng định bởi thực tế dùng để luyện dạy mạng. Nói chung các mạng này đã cho kết quả có thể chấp nhận được nhưng khi đầu vào quá lớn có thể dẫn đến giảm độ chính xác và tăng thời gian xử lý hội tụ chậm hơn . Để giải quyết vấn đề này nhiều giải pháp đã được đề xuất như chọn lựa cấu trúc tối ưu của mạng Neuron nhân tạo giảm số lượng kích thước thuộc tính đầu vào chọn thuật toán luyện mạng thích hợp Cũng nhằm mục đích này ý tưởng phương pháp thay đổi số Neuron trong lớp ẩn của mạng Neuron nhân tạo hỗ trợ chẩn đoán bệnh lý xuất phát từ việc xem xét thành phần của các thuộc tính đầu .