Reducing bioinformatics data dimension with ABC-kNN

Prasartvit, Thananan; Banharnsakun, Anan; Kaewkamnerdpong, Boonserm; Achalakul, Tiranee

doi:10.1016/j.neucom.2012.01.045

Cited by 37 publications

(20 citation statements)

References 38 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This occurs often when a small number of high-dimensional samples are applied. Unluckily, there exists exactly such a problem in cancer tumor discovery using microarray datasets [16].…”

Section: Related Workmentioning

confidence: 99%

HYEI: A New Hybrid Evolutionary Imperialist Competitive Algorithm for Fuzzy Knowledge Discovery

Nouri

Abadeh

Mohammadi

2014

Advances in Fuzzy Systems

View full text Add to dashboard Cite

In recent years, imperialist competitive algorithm (ICA), genetic algorithm (GA), and hybrid fuzzy classification systems have been successfully and effectively employed for classification tasks of data mining. Due to overcoming the gaps related to ineffectiveness of current algorithms for analysing high-dimension independent datasets, a new hybrid approach, named HYEI, is presented to discover generic rule-based systems in this paper. This proposed approach consists of three stages and combines an evolutionarybased fuzzy system with two ICA procedures to generate high-quality fuzzy-classification rules. Initially, the best feature subset is selected by using the embedded ICA feature selection, and then these features are used to generate basic fuzzy-classification rules. Finally, all rules are optimized by using an ICA algorithm to reduce their length or to eliminate some of them. The performance of HYEI has been evaluated by using several benchmark datasets from the UCI machine learning repository. The classification accuracy attained by the proposed algorithm has the highest classification accuracy in 6 out of the 7 dataset problems and is comparative to the classification accuracy of the 5 other test problems, as compared to the best results previously published.

show abstract

“…This occurs often when a small number of high-dimensional samples are applied. Unluckily, there exists exactly such a problem in cancer tumor discovery using microarray datasets [16].…”

Section: Related Workmentioning

confidence: 99%

HYEI: A New Hybrid Evolutionary Imperialist Competitive Algorithm for Fuzzy Knowledge Discovery

Nouri

Abadeh

Mohammadi

2014

Advances in Fuzzy Systems

View full text Add to dashboard Cite

show abstract

“…Conforme Gelbard, Goldman e Spiegler (2007), diferentes algoritmos de agrupamento produzem diferentes clusters e não há um método claro e padronizado para compará-los. Segundo Pons e Shulcloper (2011), não há nenhum método de agrupamento capaz de encontrar corretamente a estrutura ideal para todos os conjuntos de dados. Outra questão é que a interpretação para os diversos clusters formados, e sua implementação no ambiente original não está definida.…”

Section: Motivaçãounclassified

“…Conforme Benson-Putnins et al (2011), o Método ganhou aceitação como uma técnica de agrupamento viável para grafos simples. Há, no entanto, algumas desvantagens para este método como o fato de exigir um custo computacional alto para grandes bases de dados.…”

Section: Algoritmos Espectraisunclassified

“…Os AEs são baseados no uso de algoritmos de busca probabilísticos, inspirados na teoria da Evolução das Espécies de Darwin (DARWIN;BEER, 1998;SPEARS et al, 1993 Zhang et al (2011) apresentam uma descrição do comportamento de um AE. Inicialmente há três operações fundamentais.…”

Section: Algoritmos Evolutivosunclassified

“…Figura 11 -Método Average Link: Segundo Nassifa e Hruschkab (2011), a distância entre dois grupos é a distância média entre pares de objetos pertencentes a grupos diferentes Figura 12 -Método Single Link: Conforme Nassifa e Hruschkab (2011), a distância entre dois grupos é a distância mínima entre dois objetos pertencentes a grupos diferentes. Esse algoritmo induz grupos contíguos, baseados nas adjacências entre os objetos, podendo assumir formas variadas O procedimento de escolha das partições mais próximas é repetido até que se atinja o número de partições desejado.…”

Section: Método Da áRvore Bináriaunclassified

See 2 more Smart Citations

Sistema de aprendizado reconfigurável para classificação de dados utilizando processamento paralelo

Moreira¹

View full text Add to dashboard Cite

Este trabalho é dedicado aosEspíritos amigos. AgradecimentosRegistro sinceros agradecimentos a todas as pessoas que, direta ou indiretamente, contribuíram para a realização desta tese e, de forma particular, pela atenção inestimável, minha gratidão:J a Deus; J aos meus pais Antônio e Terezinha, pelo amor e apoio; J ao meu irmão, professor Edmilson (Universidade Federal de Itajubá -UNIFEI), pois sem ele, não teria chegado a este momento; J ao meu irmão, professor Leonardo (Universidade Federal de São João Del Rei -UFSJ), pela amizade e principalmente pelo apoio para não desistir; J ao meu orientador, professor Maciel, que sempre entendeu meus momentos de conflitos e que contribuiu expressivamente para o meu crescimento profissional; J à minha namorada Carol, pelo companheirismo e amor de sempre, entendendo principalmente meus momentos de estresse; J à minha amiga Maria Aparecida, do Centro Espírita Teresa de Ávila em Três Corações, pela amizade eterna e pelas preces que tanto me ajuda; J à minha cunhada Karina, que tanto me ajudou nos períodos em que hospedei em sua casa; J à minha cunhada Juliana, pelas ajudas de sempre e pela nossa amizade; J aos meus sobrinhos, Lucas, Matheus, Cecília e Henrique, pelos momentos tão especiais juntos;J ao meu sogro Sr. Douglas, pelas conversas tão enriquecedoras; Esta tese apresenta a arquitetura de um sistema de aprendizado, com um escalonador de tarefas que possibilita a utilização de vários métodos de classificação e validação, permitindo a distribuição dessas tarefas entre os módulos do sistema. Esta arquitetura está estruturada de forma que classificações obtidas através de uma técnica sejam reutilizadas em paralelo pelo mesmo algoritmo ou por outras técnicas, produzindo novas classificações através do refinamento dos resultados alcançados e ampliando o uso em bases de dados com características diferentes. O sistema foi estruturado em quatro partes denominadas, respectivamente, Módulo de Inicialização, Módulo de Validação, Módulo de Refinamento e Módulo Especial de Escalonamento. Em cada módulo, podem ser usados vários algoritmos para atender aos seus objetivos. A estrutura deste sistema permite sua configuração, utilizando diversos métodos, inclusive com técnicas de inteligência artificial. Com isso, é possível a obtenção de resultados mais precisos por meio da escolha do melhor método para cada caso. Os resultados apresentados neste trabalho foram obtidos a partir de bases conhecidas na literatura, o que possibilita comparar as implementações dos métodos tradicionais que foram adicionadas ao sistema e, principalmente, verificar a qualidade dos refinamentos produzidos pela integração de técnicas diferentes. Os resultados demonstram que através de um sistema de aprendizado, minimiza-se a complexidade na análise de grandes bases de dados, permitindo verificar bases com estruturas diferentes e aumentar os métodos aplicados na análise de cada estrutura. Isto favorece a comparação entre os métodos e proporciona resultados mais confiáveis. Para uniformizar os dados provenientes ...

show abstract

Utilization of Machine Learning Techniques in Hot‐Film Based Airflow Rate Sensors for Improving Flow Measurement

Shin,

Baek,

Choi

et al. 2024

Advanced Intelligent Systems

View full text Add to dashboard Cite

This article presents a novel airflow rate sensing method based on the principle of a hot‐film flow sensing device with data‐driven machine learning (ML) models. In addition, to combine the two signals of the sensor (the resistance changes of the heaters) and predict the output (airflow rate), three different ML multivariate regression models, i.e., multiple linear regression (MLR), k‐nearest neighbor (KNN), and deep neural network (DNN) models, are trained and compared using 8400 experimentally obtained data. Using sensor fusion techniques, the average mean absolute error (MAE) and mean squared error (MSE) of the KNN model are determined to be 0.01522 and 0.00132, respectively, in the range of 0–5.07 standard liters per minute. Compared with the average results obtained using only a single input, those obtained using a dual input indicate a significant decrease in the MAE and MSE by 85.69% and 96.68%, respectively. Furthermore, a transient analysis of the ML‐based flow sensor is conducted to investigate the response time and transient characteristics of the MLR, KNN, and DNN models. The results of this study contribute to the advancement of airflow management systems for various industrial applications, such as building ventilation, gas leakage detection, and energy systems.

show abstract

Reducing bioinformatics data dimension with ABC-kNN

Cited by 37 publications

References 38 publications

HYEI: A New Hybrid Evolutionary Imperialist Competitive Algorithm for Fuzzy Knowledge Discovery

HYEI: A New Hybrid Evolutionary Imperialist Competitive Algorithm for Fuzzy Knowledge Discovery

Sistema de aprendizado reconfigurável para classificação de dados utilizando processamento paralelo

Utilization of Machine Learning Techniques in Hot‐Film Based Airflow Rate Sensors for Improving Flow Measurement

Contact Info

Product

Resources

About