Overview

Soft Computing (SC) hat sich als vielseitiges Werkzeug f�r die L�sung komplexer Berechnungsprobleme in verschiedenen Bereichen erwiesen. SC nutzt menschen�hnliche Erkennungs- und Lernf�higkeiten, um innovative L�sungen f�r reale Herausforderungen zu finden. In einer �ra der Datenexplosion erfordert eine effektive Datenverarbeitung die Auswahl von Schl�sselattributen f�r die Vorhersagemodellierung, was zu der Forderung nach einer Auswahl von Teilmengen von Merkmalen f�hrt. Die Auswahl von Teilmengen von Merkmalen ist ein schwieriges NP-Hard-Problem, wobei verschiedene Methoden in Filter-, Wrapper- und eingebettete Ans�tze unterteilt werden k�nnen. Metaheuristische Algorithmen, die f�r ihre globalen Suchf�higkeiten bekannt sind, wurden f�r die Merkmalsauswahl genutzt, um die Klassifizierungsgenauigkeit zu maximieren. Mit einem Schwerpunkt auf medizinischen Anwendungen wird in dieser Studie die computergest�tzte Diagnose untersucht, bei der populationsbasierte Merkmalsauswahlmethoden die Klassifizierungsgenauigkeit verbessern, indem sie die Analysezeit reduzieren. In der Studie werden zwei neue metaheuristische Methoden, der Separated Enemy Driven Dragon Algorithm (SEDDA) und der Fitness-based Crow Search Algorithm (FSCA), vorgestellt und mit etablierten Verfahren verglichen.

Full Product Details

9786207309955

Table of Contents

Reviews

Author Information

Tab Content 6

Customer Reviews

Recent Reviews

Countries Available