انتخاب ويژگي پايدار و دسته‌بندي براساس ساختار سلسله مراتبي مبتني بر چند گونه سازي ازدحام ذرات آشوبي براي داده‌هاي ژنتيكي

Stable Feature Selection and Clustering According to Hierarchical Structures Based on Chaotic Multispecies Particle Swarm Optimization Applied for Genetic Data Diagnosis and Prognosis

هرگونه افزايش و تكثير غيرطبيعي سلولي را تومور گويند. سرطان زماني اتفاق مي‌افتد كه رشد كنترل نشده‌اي بر روي سلولهاي غيرطبيعي در يكي از اعضاي بدن به وجود آيد. تومورها به دو دسته خوش‌خيم و بدخيم تقسيم مي‌شوند. با توجه به رشد روزافزون داده‌هاي پيرامون بشر، به‌كارگيري ابزارهايي براي تحليل اين نوع داده‌ها و دست‌يابي به دانش نهفته آنها كاري الزامي است. به اين دليل كه بشر ديدگاه ذاتي و بصري غيرقابل دركي درباره مسايل با ابعاد بالا و سايز بزرگ پايگاه داده‌ها دارد، از اين رو استفاده از روش‌هاي هوشمندانه تاثير به‌سزايي در شناخت و درك بهتر بر روي‌ داده‌هاي با ابعاد بالا مي‌گذارد. در اين مقاله ابتدا با ادغام روش‌هاي رتبه‌بندي، زيرمجموعه‌اي از ويژگيهاي پايدار و متمايزكننده انتخاب مي‌گردد و در گام بعدي به كمك يك سيستم فازي به شناسايي و دسته‌بندي داده‌هاي بيولوژيكي از لحاظ خوش‌خيم و بدخيم بودن آنها مي‌پردازيم. سيستم فازي از نوع (Takagi-sugeno-kang) TSK است. براي دسته‌بندي نمونه‌ها از يك ساختار سلسله مراتبي مبتني بر چندگونه سازي ذرات بر پايه الگوريتم ازدحام ذرات آشوبي براي بهينه‌سازي سيستم فازي استفاده مي‌كنيم. نشان داده مي‌شود كه استفاده از نظريه آشوب در مسايل بهينه‌سازي با ايجاد تنوع در ميان ذرات موجب افزايش صحت شناسايي و دسته‌بندي نمونه‌ها مي‌گردد. ميزان صحت شناسايي و دسته‌بندي از نظر بدخيم و خوش‌خيم بودن بر روي‌داده‌هاي بيولوژيكي بيش از 95 درصد بوده است. بررسي دقت روش پيشنهادي بر روي دو دادگان uci- breast cancer و microarray صورت گرفته است.

Any abnormal reproduction of cells is a tumor. censer happens when there’s an unstrained growth of abnormal cells. Cancer and tumors are divided in to two types, malignant and benign. Given the growth in the environmental information, it’s essential to employ some tools to analyze this data and gain the knowledge embedded in it. Since large-scale problems and huge data bases are incomprehensible for the human, employing intelligent methods is effective in understanding large-scale data better. In this paper, the integration methods are a subset of rating measures each with a specific objective of sustainable features for superior selection of distinct features.The next step would discuss creating a fuzzy system (FS) to detect and classify between benign and malignant nature of biological data. Fuzzy system type is Takagi-Sugeno-Kang (TSK). To classify a hierarchical structure of multi-species particle swarm algorithm based on chaotic particle can be used to optimize the fuzzy system. In addition, using chaotic theory discerns the true diversity of the particles and increases the power to detect and classify the samples. Accurate identification and classification of malignant and benign biological nature of the data is more than 95%. This simulation is performed on UCI and Microarray data-base.