تشخیص کووید۱۹ از تصاویر اشعه ایکس با استفاده از شبکه های عصبی عمیق و انتخاب ویژگی مبتنی بر روش بهینه سازی جستجوی اتم

الگوریتم های بهینه سازی فراابتکاری به طور فزاینده ای در محاسبات هوشمند محبوب هستند و به طور گسترده برای تعداد زیادی از مسائل مهندسی دنیای واقعی به کار می روند. از جنبه های محبوبیت آنها، برخی نظریه های اساسی و مدل های ریاضی معقول تکنیک های بهینه سازی است که از دنیای واقعی می آیند و از انواع پدیده های فیزیکی یا رفتارهای بیولوژیکی الهام می گیرند. در سال های اخیر روش های بهینه سازی فراابتکاری مختلفی در زمینه های علمی و مهندسی ارائه شده است. بهینه سازی جستجوی اتم یک رویکرد بهینه سازی جدید برای حل مسائل بهینه سازی است. این بهینه ساز به طور ریاضی مدل حرکت اتمی را در طبیعت مدل سازی و تقلید می کند، به طوری که اتم ها از طریق نیروهای برهمکنش با یکدیگر تعامل می کنند. در این مقاله سعی شده است تا با استفاده از الگوریتم جستجوی اتم، مجموعه ای از بهترین ویژگی ها انتخاب شوند تا بیشترین دقت از مدل حاصل شود.

کلیدواژه ها:

فراابتکاری ، الگوریتم بهینه سازی جستجوی اتم ، یادگیری عمیق ، انتخاب ویژگی ، شبکه عصبی