پیش بینی ابتلا به دیابت با استفاده از شبکه عصبی مصنوعی

پیش‌بینی ابتلا به دیابت با استفاده از شبکه عصبی مصنوعی

Background: Diabetes ever-increasing prevalence and the heavy burdens of controlling and treatment of the disease on people and the country have turned to be greatest challenges for governmental and healthcare authorities. Therefore, the disease prevention takes top priority and to do so the only possible way is detecting the effective parameters and controlling them. This study is about to for...

پیش بینی رسوب آسفالتین با استفاده از شبکه عصبی مصنوعی بر مبنای الگوریتم ازدحام ذرات

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

ارائه مدلی جهت پیش بینی بیماری دیابت با استفاده از شبکه عصبی

Introduction: Meta-heuristic and combined algorithms have a great capability in modelling medical decision making. This study used neural networks in order to predict Type 2 Diabetes (T2D) among high risk individuals. Methods: This study was   an applied research. Data from 545 individuals (diabetic and non-diabetic), in Diabetes Clinic of Hamedan University of Medical Sciences, we...

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...