Artykuł przedstawia metodę selekcji cech pozwalającą na wybór minimalnego podzbioru S(o) symptomów znaczących z zadanego zbioru symptomów S. Wybór minimalnego podzbioru S(o) dokonywany jest w ten sposób, by zapewnić identyfikowalność danej grupy chorób nawet w warunkach, gdy ustalona liczba symptomów jest utracona. Zmienne binarne i całkowitoliczbowe programowanie liniowe użyto w rozwiązaniu problemu selekcji cech. Poszczególne zmienne binarne wskazują czy dany symptom powinien być włączony do minimalnego podzbioru S(o). Po wybraniu podzbioru S(o) wybierane są zestawy cech służące różnicowaniu pomiędzy daną chorobą a sumą pozostałych chorób. Rezultaty działania proponowanej metody pokazano w artykule na przykładach dwu zbiorów danych: sztucznym i rzeczywistym. Przykład rzeczywistych danych medycznych obejmuje 143 symptomy i 90 chorób. Zbiór ten został znacząco zredukowany w rezultacie zastosowania procedury selekcji cech.
EN
The paper presents a method for selecting a minimum set S(o) of relevant symptoms, from an initially given set S of symptoms, to identify a given set of diseases, even when a fixed number of arbitrary symptoms is missing. Integer linear programming techniques (ILPT) are used, where binary variabies indicate whether a given symptom must be included in the set S(o) of relevant (minimum) symptoms. Once So has been selected, the minima sets of relevant symptoms for distinguishing each disease from the rest of diseases are obtained, also using ILPT. A pedagogical example illustrates the concepts and the proposed methods. Finally, a real example with 143 symptoms and 90 diseases is used to show that substantial reductions of information can be obtained using the proposed method.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
This paper presents a comprehensive review of fuzzy image processing methods. Specifically the following image processing problems are considered: (i) Image comprehension. (ii) image segmentation, (iii) image classification, (iv) image analysis, (v) image filtering, (vi) image understanding. In practice, an image cannot always be interpreted always exactly and perfectly. This is due to the existence of noise or the way the image is obtained, or, finally, to incorrect understanding of the image information content. These difficulties can be faced successfully through fuzzy logic and fuzzy reasoning. The field of image processing via fuzzy logic was initialed after Zadeh's 1965 seminar paper and is still expanding with new important results and applications. This paper is devoted to the treatment of still images, but some of the methods can be extended to the case of moving (video) images. The methods considered are critically discussed. Finally, a comparison of the effectiveness of (i) c-means, (ii) classical c-means, and (iii) adaptive clustering algorithms is made.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.