Wyniki wyszukiwania - BazTech

1

Grey Wolf optimization based breast cancer detection using 1D Convolution LSTM classifier

Jebarani Esther P., Umadevi N.

Przegląd Elektrotechniczny

|

2023

|

R. 99, nr 1

1--9

EN

Women are particularly vulnerable to breast cancer. Breast cancer diagnosis has benefited greatly from the utilization of ultrasound imaging. Breast UltraSound (BUS) image segmentation remains a difficult challenge due to low image quality. Furthermore, BUS image segmentation, as well as classification, is an important stage in the analysis process. Initially, the image associated with breast cancer is gathered from MIAS database. The gathered image undergoes pre-processing operation using the adaptive median filtering technique. Subsequently, the segmentation is performed in the pre-processed images using the hybrid method consisting of GMM and K-Means. These segmented images undergo the feature extraction steps further where the features are extracted by utilizing the Gray Level Co-occurrence Matrix (GLCM). Grey Wolf Optimization (GWO) selects the optimal features for further classification using a novel 1D Convolution LSTM. Here, the pooling layer of 1D CNN is replaced by the LSTM. The objective function behind the optimal feature selection and classification is the accuracy maximization. Finally, the novel One Dimensional Convolution Long Short Term Memory (1 DCLSTM) classifies the outcome into normal, benign, and malignant, respectively. The proposed method is compared with the other state of art methods related to this research.

PL

Kobiety są szczególnie narażone na raka piersi. Diagnostyka raka piersi bardzo skorzystała na wykorzystaniu obrazowania ultrasonograficznego. Segmentacja obrazu UltraSound (BUS) piersi pozostaje trudnym wyzwaniem ze względu na niską jakość obrazu. Ponadto segmentacja obrazu BUS, a także klasyfikacja, jest ważnym etapem procesu analizy. Początkowo obraz związany z rakiem piersi pozyskiwany jest z bazy MIAS. Zgromadzony obraz jest poddawany wstępnemu przetwarzaniu przy użyciu techniki adaptacyjnego filtrowania medianowego. Następnie na wstępnie przetworzonych obrazach przeprowadzana jest segmentacja metodą hybrydową składającą się z GMM i K-Means. Te podzielone na segmenty obrazy przechodzą kolejne etapy ekstrakcji cech, w których cechy są wyodrębniane przy użyciu macierzy współwystępowania poziomu szarości (GLCM). Optymalizacja Gray Wolf (GWO) wybiera optymalne funkcje do dalszej klasyfikacji przy użyciu nowatorskiego rozwiązania 1D Convolution LSTM. W tym przypadku warstwa łączenia 1D CNN zostaje zastąpiona przez LSTM. Funkcją celu stojącą za optymalnym doborem i klasyfikacją cech jest maksymalizacja dokładności. Wreszcie, powieść jednowymiarowa pamięć krótkoterminowa z konwolucją jednowymiarową (1 DCLSTM) klasyfikuje wynik odpowiednio na normalny, łagodny i złośliwy. Proponowana metoda jest porównywana z innymi nowoczesnymi metodami związanymi z tymi badaniami.

2

Identifying epileptic EEGs and congestive heart failure ECGs under unified framework of wavelet scattering transform, bidirectional weighted (2D)2PCA and KELM

Zhang Tao, Chen Wanzhong, Chen Xiaojuan

Biocybernetics and Biomedical Engineering

|

2023

|

Vol. 43, no. 1

279--297

EN

In order to achieve the accurate identifications of various electroencephalograms (EEGs) and electrocardiograms (ECGs), a unified framework of wavelet scattering transform (WST), bidirectional weighted two-directional two-dimensional principal component analysis (BW(2D)2PCA) and grey wolf optimization based kernel extreme learning machine (KELM) was put forward in this study. To extract more discriminating features in the WST domain, the BW(2D)2PCA was proposed based on original two-directional two-dimensional principal component analysis, by considering both the contribution of eigenvalue and the variation of two adjacent eigenvalues. Totally fifteen classification tasks of classifying normal vs interictal vs ictal EEGs, non-seizure vs seizure EEGs and normal vs congestive heart failure (CHF) ECGs were investigated. Applying patient non-specific strategy, the proposed scheme reported ACCs of no less than 99.300 ± 0.121 % for all the thirteen classification cases of Bonn dataset in classifying normal vs interictal vs ictal EEGs, MCC of 90.947 ± 0.128 % in distinguishing non-seizure vs seizure EEGs of CHB-MIT dataset, and MCC of 99.994 ± 0.001 % in identifying normal vs CHF ECGs of BBIH dataset. Experimental results indicate BW(2D)2PCA based framework outperforms (2D)2PCA based scheme, the high-performance results manifest the effectiveness of the proposed framework and our proposal is superior to most existing approaches.

3

The application of different optimization techniques and Artificial Neural Networks (ANN) for coal-consumption forecasting: a case study

Seker Mustafa, Unal Kartal Neslihan, Karadirek Selin, Gulludag Cevdet Bertan

Gospodarka Surowcami Mineralnymi

|

2022

|

T. 38, z. 2

77--112

EN

The demand for energy on a global scale increases day by day. Unlike renewable energy sources, fossil fuels have limited reserves and meet most of the world’s energy needs despite their adverse environmental effects. This study presents a new forecast strategy, including an optimization-based S-curve approach for coal consumption in Turkey. For this approach, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO), Grey Wolf Optimization (GWO), and Whale Optimization Algorithm (WOA) are among the meta-heuristic optimization techniques used to determine the optimum parameters of the S-curve. In addition, these algorithms and Artificial Neural Network (ANN) have also been used to estimate coal consumption. In evaluating coal consumption with ANN, energy and economic parameters such as installed capacity, gross generation, net electric consumption, import, export, and population energy are used for input parameters. In ANN modeling, the Feed Forward Multilayer Perceptron Network structure was used, and Levenberg-Marquardt Back Propagation has used to perform network training. S-curves have been calculated using optimization, and their performance in predicting coal consumption has been evaluated statistically. The findings reveal that the optimization-based S-curve approach gives higher accuracy than ANN in solving the presented problem. The statistical results calculated by the GWO have higher accuracy than the PSO, WOA, and GA with R2 = 0.9881, RE = 0.011, RMSE = 1.079, MAE = 1.3584, and STD = 1.5187. The novelty of this study, the presented methodology does not need more input parameters for analysis. Therefore, it can be easily used with high accuracy to estimate coal consumption within other countries with an increasing trend in coal consumption, such as Turkey.

PL

Zapotrzebowanie na energię w skali globalnej rośnie z dnia na dzień. W przeciwieństwie do odnawialnych źródeł energii, paliwa kopalne mają ograniczone rezerwy i zaspokajają większość światowego zapotrzebowania na energię pomimo ich niekorzystnego wpływu na środowisko. Niniejsze opracowanie przedstawia nową strategię prognozowania, w tym oparte na optymalizacji podejście oparte na krzywej S dla zużycia węgla w Turcji. W tym podejściu algorytmy optymalizacji genetycznej (GA) i optymalizacji roju cząstek (PSO), optymalizacja Gray Wolf (GWO) i algorytm optymalizacji wielorybów (WOA) należą do metaheurystycznych technik optymalizacji stosowanych do określenia optymalnych parametrów krzywej S. Ponadto algorytmy te oraz sztuczna sieć neuronowa (SSN) zostały również wykorzystane do oszacowania zużycia węgla. Przy ocenie zużycia węgla za pomocą SSN jako parametry wejściowe wykorzystuje się parametry energetyczne i ekonomiczne, takie jak moc zainstalowana, produkcja brutto, zużycie energii elektrycznej netto, import, eksport i energia ludności. W modelowaniu SSN wykorzystano strukturę Feed Forward Multilayer Perceptron Network, a do uczenia sieci wykorzystano propagację wsteczną Levenberg-Marquardt. Krzywe S zostały obliczone za pomocą optymalizacji, a ich skuteczność w przewidywaniu zużycia węgla została oceniona statystycznie. Wyniki pokazują, że podejście oparte na optymalizacji opartej na krzywej S zapewnia większą dokładność niż SSN w rozwiązaniu przedstawionego problemu. Wyniki statystyczne obliczone przez GWO mają wyższą dokładność niż PSO, WOA i GA z R2 = 0,9881, RE = 0,011, RMSE = 1,079, MAE = 1,3584 i STD = 1,5187. Nowość tego badania, prezentowana metodyka nie wymaga dodatkowych parametrów wejściowych do analizy. Dzięki temu może być z łatwością wykorzystany z dużą dokładnością do oszacowania zużycia węgla w innych krajach o tendencji wzrostowej zużycia węgla, takich jak Turcja.