没有合适的资源?快使用搜索试试~ 我知道了~
阅读障碍预测的ONCMC-ABF算法及其应用
沙特国王大学学报基于人工细菌觅食行为启发(ONCMC-ABF)的最优中性粒细胞C均值聚类预测阅读障碍J. Loveline Zeema,D.弗朗西斯·泽维尔·克里斯托弗印度泰米尔纳德邦哥印拜陀Rathnavel Subramaniam文理学院计算机研究学院阿提奇莱因福奥文章历史记录:收到2019年2019年8月9日修订2019年9月14日接受在线预订2019年保留字:阅读障碍中性粒细胞C均值人工细菌觅食模糊不精确不确定性A B S T R A C T在早期阶段准确预测儿童阅读障碍的风险是认知计算领域的一个重要的长期目标。如何从低质量的数据集和模糊信息的存在中产生如此准确的结果来检测阅读障碍是研究人员面临的最大挑战。本文旨在开发一个进化模型,以更智能地处理阅读障碍检测中的不精确性。在这项工作中,每一个实例都被描述在一个语义域中,通过定义一个真实性、不确定性和虚假性的隶属度。通过应用中性C均值聚类(NCM)对这些实例进行聚类,NCM形成四个不同的聚类,即阅读障碍、无阅读障碍、控制/修正和多动或其他问题。孤立点和噪声是一类特殊的不确定性,经常出现在真实数据集中,需要及时发现和聚类。通过引入人工细菌觅食(ABF)优化了NCM,特别是当聚类中心的选择存在不精确或不精确时。ABF算法利用全局搜索的优点,在聚类重计算时选择更有前景的聚类。解释的结果证实,所发挥的作用,建议ONCMC-ABF算法产生更好的结果,在低质量的数据集的阅读障碍的©2019作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍尽管儿童具有正常的智力能力和教育前景,但其阅读和拼写能力严重受损据信,阅读障碍在印度的患病率为15%,如(科学技术部长)所述。有一个广泛的共识,即诵读困难具有遗传基础(Frankeet al.,2010; Galaburda等人, 2006年)。虽然属于这种家庭风险的儿童中的大多数百分比不会发展为阅读障碍,但他们在非单词阅读,拼写和阅读等行为上的表现仍然比自然发展的儿童差。*通讯作者。电 子 邮 件 地 址 : j.lovelinezeema@gmail.com ( j.lovelinezeema ) ,pherd@rvsgroup.com(D.Francis Xavier Christopher).沙特国王大学负责同行审查阅读理解(Lyytinen等人,2005年)。软件应用和计算机技术领域的赋权极大地影响了教育环境。近年来,研究人员开始关注机器学习方法,这些方法可以在激发阅读障碍学生的学术表现兴趣方面发挥至关重要的作用。 1和2号文件)。考虑到及早发现阅读困难的好处,将有助于这些儿童获得适当的服务。机器学习和认知计算是分析和分类数据以确定有阅读障碍和无阅读障碍儿童的相关工具。但在现实中,阅读障碍数据集由不精确的数据集组成,使用传统的机器学习系统无法精确地处理这些数据集,并且处理这种不确定环境的证据较少。因此,本研究工作的重点是处理不确定性,通过推断的真实性,虚假性和不确定性的程度的知识来处理的不确定性和不确定性的阅读障碍数据集,通过开发一个集成的方法来预测阅读障碍使用细菌觅食的行为灵感优化的聚类模式。https://doi.org/10.1016/j.jksuci.2019.09.0081319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comJ. Loveline Zeema,D.Francis Xavier Christopher/ Journal of King Saud University17492. 相关作品本节讨论了一些以前的研究所做的阅读障碍预测使用各种方法。Puolakanaho等人(2007)在他们的工作中建立了逻辑回归模型来预测阅读障碍。他们使用语言能力测量以及家庭风险状况来预测阅读障碍。但这类模型与相关性有关,并且它们不是预测性的,因为它们只使用特定的样本来测试它们的模型,而不是使用外部样本来测试。这证明,阅读障碍的预测模型仍然非常缺乏Schnack等人(Chen等人,2017)提出了一种模型,该模型使用模式识别技术来发现给定输入数据的特征,并且该模型使用机器学习以自底向上的方法确定最感兴趣的信息,该机器学习找到各个组之间的区别特征。这尤其适用于精神疾病。Vapnik(1999)在他们的工作中使用了基于线性内核的支持向量机,该支持向量机获得了有关阅读障碍症状的知识,并预测其在个体水平上的存在,以回答儿童是否处于家庭风险之下或使用机器学习方法的典型发育通过在这种高维模式检测上训练线性支持向量机,将预测应用于新的Janousova等人(2016)和Kassraian-Fard等人(2016)在其工作中使用了许多分类模型来诊断阅读障碍,这表明显著特征可能在使用线性判别分析和逻辑回归确定每个模型性能的Tamboer等人(2016)检查了35个月以下儿童的词汇发展,以检查是否存在阅读障碍。在这项工作中,支持向量机被用来区分有和没有阅读障碍的主题。Margaj和Purohit(2016)在他们的工作中发现了小学儿童的计算障碍。通过在检测学习的方向上接近积极心理学,并为学习者进行干预计划是一个重要的特征,这本质上需要围攻考试,以便正确的孩子应该得到正确的帮助。这项工作使用三种不同的分类器来预测不同类别的计算障碍。3. 问题公告在实时阅读障碍数据集的输出和输入属性的不确定值。 同时,每个孩子都有机会被分配到一个以上的标签中,这样模型的期望输出就可以被适度地知道。输入使用一系列语言值或数字表示。在咨询多位专家时,他们不同意相同的分数,因此这些情况意味着数据集不完整机器学习的主要问题之一是对不确定性进行建模,以精确的方式解决阅读障碍的预测。在收集有关阅读障碍儿童的信息时,他们包括主要的不确定性类型,如精确性(几乎阅读障碍),不精确性(阅读障碍的范围),模糊性(百分比阅读障碍)和不一致(当一个人的输出属于一个以上的标签)。当使用模糊集时,它只处理不精确性,而如果使用直觉模糊集,它处理不精确性和不精确性。但如果采用中性论逻辑它具有处理真实世界的阅读障碍数据集中的不精确、不精确、模糊和不一致信息在目前的工作中,缺失值的存在,在阅读障碍数据集是很好地处理使用基于提升决策树的插补模型,产生完整的数据集。这项工作的贡献是将C均值聚类用于聚类分析,阅读障碍数据集的实例,基于三个测量程度的真实性,虚假性和不确定性。与直觉模糊不同,它们是相互独立的。在聚类过程中,利用细菌觅食来选择最佳聚类质心,从而提高了聚类方法的效率。在这里,隶属度的模糊性和离群类的实例是明确的,这些值是教育的迭代聚类。因此,在阅读障碍数据集上,语义逻辑聚类对噪声具有更强的免疫力,并且它们更接近于相容性信念。这项研究工作的主要贡献是通过处理数据集中存在的离群值和噪声实例来克服阅读障碍中的不确定性问题。因为不把它们作为特殊情况处理会导致误报增加。阅读障碍数据集的不完整性是一个非常具有挑战性的问题,在这项工作中,提升决策树用于最佳估算的缺失值。模糊和直觉模糊的标准方法不足以处理噪声和异常情况,因此在这项工作中,中性逻辑是模糊和直觉模糊的推广,它通过它们的属性或隶属度来表示真、假和不确定性。 对不确定聚类进一步分析为离群聚类和模糊聚类。聚类技术中的主要问题是确定最优聚类中心,而聚类中心的确定又涉及到聚类框架的构建。本文介绍了一种人工细菌觅食算法,在每次迭代中寻找每个簇的最佳质心。因此,在不同维度的数据质量增强和解释的各种增强的总体贡献,该模型以有效的方式对儿童中是否存在阅读障碍进行分类4. 不确定性阅读障碍数据集这项工作引入了一种智能无监督学习方法,通过整合不同的优化技术,很好地处理模糊的阅读障碍数据集。 图 1代表了不确定性阅读障碍数据集的语义聚类模式识别的总体框架。一旦从KEEL存储库收集数据集,由于存在不完整的记录,因此,该建议的初始过程是通过引入基于提升决策树的插补方法来淹没缺失值。一旦获得了完整的数据集,这极大地影响了聚类精度,然后获得记录之间的相似对于聚类问题,采用基于语义逻辑的C-均值算法处理不确定数据集,特别是处理离群点或位于聚类边界的实例。通过引入细菌觅食优化,在处理器的每次迭代过程中,当遇到一个新的实例进行聚类时,选择质心,增强了机器学习聚类的性能。在对所有实例进行聚类之后,基于阅读障碍数据集中指定的类别来学习它们的相似性模式。5. 使用提升决策树进行用于填补阅读障碍数据集中缺失值的提升决策树中涉及的重要过程如下。图2解释了使用决策树进行估算的过程1. 最初将完整的阅读障碍数据集分为两个子数据集。由没有缺失值的实例组成的第一子数据集表示为CD,由具有缺失值的实例组成的第二子数据集表示为MD1750J. Loveline Zeema,D.Francis Xavier Christopher/ Journal of King Saud University阅读障碍数据集有缺失值的子数据集(MD)无缺失值的子数据集(CD)阅读障碍数据使用Boosted Decision Tree处理缺失值基于Neutrosophic C Means的不确定数据集聚类性能分析细菌觅食优化图1.一、使用行为优化方法在不确定阅读障碍数据集中进行中性粒细胞识别模式识别的总体框架对于每个属性(atti),阅读障碍数据集将其与att值分成10倍,删除1倍的值以诱导缺失插补和比较实际值X 10跨折叠插补和比较学习者模型图二. 使用提升决策树进行插补。2. 通过考虑MD中包含缺失值的属性作为类属性,在完整的子数据集CD上构造一组决策树。3. 将MD的每个实例分配到树的叶子中,该树将记录中缺少值的属性视为类变量。如果记录有多个属性作为缺失值,则将其分配给多个叶4. 使用Newton Raphson算法插补数值缺失值,并使用叶内的多数类别值插补分类缺失值。5. 合并记录以形成没有任何缺失值的完整数据集CD6. 哲学逻辑序言自证逻辑是Smarandache(2002)提出的一种多值方法,其中实例的真值由真实性、虚假性和不确定性的程度表示(Smarandache,2002)。中性逻辑与经典逻辑和模糊逻辑都保持一致性,但在特殊情况下,当T + I+ F = 1。当T + I + F1处理不完全信息时,它就转向直觉逻辑.当事件是T + I + F > 1时,它也处理次协调。因此,NL的优点是具有非标准分析的性质,它区分了0所表示的相对错误和- 0所表示的绝对错误同样,相对真理和绝对真理分别用1和1+表示。在比较直觉模糊集时,直觉模糊集可以区分元素的绝对隶属度(T =1+ ) 、 相 对 隶 属 度 ( T = 1 ) 和 用 0 T1 表 示 的 部 分 隶 属 度(Smarandache,2002)。此外,当对NL的模糊分量求和时,它不需要像模糊或直觉模糊分量那样为1,而是可以是从0到3的任何数字范围。“真”是“假”,“假”是“假”。7. 中性C均值聚类在传统的聚类中,相似的样本被分组到同一个聚类中。 为了详细描述,让我们假设X是由表示为{xi,i = 1,2,3,. . N},其中xi表示数据集的单个实例在数据集之间进行分区诱导缺失有缺失值的子数据集(MD)对每个折叠J. Loveline Zeema,D.Francis Xavier Christopher/ Journal of King Saud University1751pðÞþðÞ-pðÞþðÞ2健康第1页P聚类方法有两种,硬聚类和模糊聚类(Baraldi和Blonda,1999a,b)。在硬聚类中,(续)算法1:细菌觅食算法程序当数据实例分配给特定群集时,包含在其他集群中。但与此相反,每个实例的模糊聚类可能属于多个具有不同隶属度的聚类。这项工作使用Neutrosophic C-均值聚类,计算每个阅读障碍数据集实例的程度,确定和不确定的集群是很好地定义的。这里T表示行列式簇的度和其他两个隶属度F,I用于确定两种不同类型的不确定聚类,即离群聚类和歧义聚类。当数据实例距离每个聚类的质心非常远时,则将其包括在离群聚类中,这允许拒绝此类实例。模糊聚类允许考虑位于聚类边界附近的数据实例。在聚类迭代期间,这两个聚类都涉及,而不是在决策处理期间。因为在迭代聚类过程中,实例对歧义和离群类的依赖程度是明确的,其取值也是博学的。因此,应用这些隶属函数的方法是更免疫噪声,他们更密切地关系到兼容性的概念。因此,FCM和IFCM无法或无法检测到这种异常数据实例的问题可以使用NCM精确地解决。8. 细菌觅食优化受细菌觅食行为的启发,Passino(2002)提出了细菌觅食优化算法(BFOA)。人工细菌觅食优化模拟了在真实细菌系统中观察到的四种基本机制,即趋化性、繁殖、群集和消除扩散,以解决非梯度优化问题(Vipul Sharma和PattnaikTanuj Garg,2012)。人工细菌可以充当搜索代理,其在功能表面上移动以定位全局最优值,因此在这项工作中,它被用于更优化地使用仿射C均值聚类来对阅读障碍数据集进行聚类,以通过获得局部最优值来在每次迭代的重新聚类期间发现更突出的聚类中心。9. BFO算法算法1:细菌觅食算法步骤1的程序。初始化参数N、NB、CS、SS、RS。EDS,PE,RL(i)=(i = 1,2,.. . ,S),hi,其中N:搜索空间的维度(阅读障碍数据集),NB:细菌数量,CS:趋化步骤,SS:游泳步骤,Rs:生殖步骤,EDS:消除和扩散步骤,PE:消除概率,RL(i):游程长度单位,即,在每次运行或翻滚期间的趋化步长hi:总体步骤2.消除-分散循环:l = l + 1。步骤3.复制循环:k= k +1。步骤4.趋化性循环:j = j +1。4.1. 对于i = 1 = 1,2,.. . ,NB,细菌i的趋化步骤如下:4.2. 使用以下公式计算Fit(i,j,k,l)的适应度函数Fit(i,j,k,l)= Fit(i,j,k,l)+Fitcc(hi(j,k,l),Pop(j,k,l))(1)其中Fitcc是目标函数,必须添加到实际目标函数中,以呈现时间波动目标函数。4.3. 让Fitlast = Fit(i,j,k,l)存储该值以在进一步运行期间发现4.4.通过生成具有每个元素Dm(i)的随机向量D(i)Rn来执行翻滚操作,m = 1,2,.. . ,NB,[ 1,1]上的随机数。4.5. 移动:官网�i1; k; lhi j; k; lc i Di(二)DTðiÞDðiÞ其中C(i)表示在翻滚操作期间对于特定细菌i在随机方向上所采取的步长的大小4.6. 计算Fit(i,j + 1,k,l)与hi(j + 1,k,l)。4.7. 游泳指定m = 0(游泳长度计数器)while m Ns(当它没有爬到长时)(a) 设m = m +1(b) 如果Fit(i,j +1,k,l)Fitlast,则Fitlast = Fit(i,j +1,k,l),并计算官网�i1; k; lhi j; k; lc i Di(三)DTðiÞDðiÞ并使用hi(j +1,k,l)生成新的拟合(i,j +1,k,l),如4.2中所示(c) else let m _ Ns {while语句结束}4.8. 转到下一个细菌(i + 1):如果i5. 如果j CS,则转到步骤4,这意味着继续趋化步骤,直到细菌生命没有结束。6. 生殖过程6.1. 对于分配的k和l,并且对于每个i = 1,2,.. . ,NB,Assign Fit i; j; k; l;是细菌的健康。按值的升序对细菌进行排序(适合健康状况),这意味着成本较高,健康状况较6.2. 具有最高拟合健康值的细菌SBr将死亡,并且包含最佳值的其他Sr细菌分裂,并且它们的副本位于与它们的亲本相同的地方。7. 如果k RS,则转到步骤3。在这种情况下,如果预定义的再生步骤的数量不是下一个,则在趋化循环中开始8. 消除-分散过程对于i = 1,2,.. . ,NB,以概率PE,消除并分散每个细菌,其结果是保持种群中的细菌数量恒定。要执行此操作,如果细菌被消除,只需将其中一个分散到优化区域上的随机位置。如果l EDS,则转到步骤2,否则结束。10. 中性粒细胞C均值聚类预测阅读障碍受模糊集的启发,本文不仅考虑了属于确定簇的度,而且还考虑了属于不确定簇的度。例如,一个新的集合D被定义为决定簇和不定簇的并集,表示为:1752J. Loveline Zeema,D.Francis Xavier Christopher/ Journal of King Saud University[Max2我我þ2我j-fIJIJ我我IJNIJiX2XD<$Ci[B[Y;i<$1:C 4其中,Ci表示不确定的聚类,B表示边界区域中的这里B和Y是两种类型的不确定聚类。在Neutrosophic聚类中,行列式聚类的程度是表示为T或m,边界聚类的度表示为I或c,属于噪声聚类的度使用F或s表示。为了通过聚类处理不确定性,这项工作使用了一个新的目标函数,定义如下算法2:使用人工细菌觅食算法(ONCMC-ABF)加载输入聚类数据{阅读障碍数据集}发现数据中的属性数量初始化l0,c0,s0,C,m,X1;X2;X3初始化K = 0; {迭代步骤}在迭代k时使用BFO(BFO算法的调用过程)计算每个聚类的C i的N C计算cimax取决于最大和第二大Jl;c;s;Cl;XXX1lijmkxi-cjk2通过比较过程确定l的值联系我们Ncimax¼CfiCgi;fi=argmaxl;NX2Xd2Xsm52gi=argmaxlIJj¼1; 2···CcCfiCgi Fiargmaxlgiargmaxl将lk的值更新为lk1,ck更新为ck1,sk更新为sk16如果|lk1-lk|
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功