Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2004

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: minimum distance classifiers

Sortuj według:

Ogranicz wyniki do:

Minimum Distance Classifiers in Coronary Artery Disease Diagnosing

Lewenstein K., Chojnacki M.

Machine Dynamics Problems

2004

Vol. 28, No. 4

27-33

Results of application "minimum distance classifiers" buillt according the "k-nearest neighours" and "set's space covering", created without and with using several "feature selection" strategies for diagnosis of coronary artery disease on base of ECG exercise test have been presented in the paper. Correctness of the patient state diagnosis for the best classifier presented below estimated by "leave one out" method came to 99.8%.

Neural net vs. minimum distance classifier : choice of an intelligent computer tool or the diagnosis of the coronary artery disease based on ECG exercise tests

Lewenstein K.

Elektronika : konstrukcje, technologie, zastosowania

2004

Vol. 45, nr 8-9

104-105

Choice of an intelligent tool for computer-aided diagnosis of the coronary artery disease on the basis of the ECG exercise test has been the subject of the paper. Results of application different models of neural networks as feedforward perceptions, Fahlman's network and RBF network in comparison to minimum-distance classifiers built according the k-nearest neighbours and set's space covering rules, created without and with using feature selections have been presented in the paper. Correctness of the patient state diagnosis pointing the particular narrowing in coronary vessel for the best neural model has been equal 95% and for presented below traditional classifier came to 99,8%. It means that traditional not as popular method could sometimes be better.

Przedmiotem pracy jest wybór inteligentnego narzędzia do komputerowego wspomagania diagnostyki choroby wieńcowej. W pracy przedstawiono wyniki zastosowań różnych modeli neuronowych a mianowicie: jednokierunkowych, wielowarstwowych sieci typu perceptronowego, trenowanych wg metody wstecznej propagacji błędu, sieci Fahlmana i sieci o Radialnych Funkcjach Bazowych w porównaniu do klasyfikatorów minimalno-odległościowych, tworzonych baz i z selekcją cech, zgodnie z metodami k-najbliższych sąsiadów i metodą pokrywania się zbiorów. Trafność diagnozy z dodatkowym wskazaniem szczegółowej lokalizacji zwężenia dla najlepszego modelu neuronowego wyniosła 95% a dla klasyfikatora 99,8%. Okazało się, że klasyczna, stara i nie tak współcześnie popularna metoda może być skuteczniejsza.