26 صفحه ترجمه + متن لاتین

خلاصه :

آنالیز تعداد داده های زیاد اغلب منابع محاسباتی وسیع و زمان اجرایی را مصرف می کند. با این حال گاهی تمام داده ها به طور یکسان به نتایج پایانی منجر نمی شوند بنابراین شناسایی ویژگی های کمک کننده و استفاده آنها به عنوان معرف داده ها پذیرفتنی است. ویژگی های دیگر با حرکت کم می تواند بر روی کاهش مصرف منابع/زمان در آنالیز داده ها حذف شود. یکی از طیف های کاربردی محتمل برای این پروسه انتخابی ویژگی ها علم بیوانفورماتیک است. نیاز به کاهش ابعاد که پروسه ای برای کاهش ویژگی های غیر لازم از داده های اصلی است شکل می گیرد چون داده های بیولوژیکی می توانند انبوه باشند. با ده ها هزار ویژگی های بررسی شده . هدف این مطالعه طراحی الگوریتم موثر است که می تواند به طور انتخابی ابعاد نامربوط را از داده های تشریح کننده پروسه های بیولوژیک پیچیده در حین حفظ معنای داده های اصلی بردارد.

این پژوهش پذیرفتن کلنی مصنوعی زنبور (ABC) را به عنوان متد نوین برای کاهش ابعاد داده ها در مسائل دسته بندی پیشنهاد می کند. ABC یک متد ابتکاری موثر مبتنی بر هوش گروهی برای انتخاب زیر مجموعه بهینه ابعاد از داده های دارای ابعاد بلند اصلی استفاده می شود در این حین که زیرمجموعه ای که هدف تعریف شده راضی می کند حفظ می کند. متد نزدیک ترین K همسایه (KNN) آنگاه برای ارزیابی تطبیق در چارچوب ABC استفاده می شود . در این پژوهش ABC و KNN اصلاح شده و با هم گروه شده اند تا ایجاد متد کاهش بعد موثری را بکنند. الگوریتم پینشهادی در دو طیف کاربردی مجزا سنجش
می شود. انالیز بیان ژن و مطالعه رفتارهای توهمی نتایج آزمایشی کیفیت راه حل خوبی را همراه با راندمان محاسباتی خوب نشان می دهد