Ulteriori informazioni
Soft Computing (SC) hat sich als vielseitiges Werkzeug für die Lösung komplexer Berechnungsprobleme in verschiedenen Bereichen erwiesen. SC nutzt menschenähnliche Erkennungs- und Lernfähigkeiten, um innovative Lösungen für reale Herausforderungen zu finden. In einer Ära der Datenexplosion erfordert eine effektive Datenverarbeitung die Auswahl von Schlüsselattributen für die Vorhersagemodellierung, was zu der Forderung nach einer Auswahl von Teilmengen von Merkmalen führt. Die Auswahl von Teilmengen von Merkmalen ist ein schwieriges NP-Hard-Problem, wobei verschiedene Methoden in Filter-, Wrapper- und eingebettete Ansätze unterteilt werden können. Metaheuristische Algorithmen, die für ihre globalen Suchfähigkeiten bekannt sind, wurden für die Merkmalsauswahl genutzt, um die Klassifizierungsgenauigkeit zu maximieren. Mit einem Schwerpunkt auf medizinischen Anwendungen wird in dieser Studie die computergestützte 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.
Info autore
El Dr. P Srinivasa Rao trabaja como profesor asociado en el Departamento de Ingeniería de Datos del MVGR College of Engineering (Autonomous), Vizianagaram,Andhra Pradesh,India. Cuenta con más de 18 años de experiencia en el campo de la docencia y la investigación y es autor de un total de 35 publicaciones, entre libros, trabajos de investigación y capítulos de libros.
