The Neural Network Diagnostic Model

The Neural Network Diagnostic Model
The neural network diagnostic model for distinguishing malignant breast cancer and benign disease for breast biopsy outcome predictions is shown in Figure 3. This diagnostic model contained an input vector processor, two-stage neural network classification unit, and two-lever hard-limit classifier. The input vector processor first normalized each input of the 5 attributes (including BIRADS, age, shape, margin, and density) by dividing each by its maximum value and then calculated two additional products of combined attributes, “Age*BIRADS” and “Shape*BIRADS.” Thus, for each clinical instance, there was a total of 7 attributes resulting from the outputs of the input vector processor. The 7 attributes were simultaneously fed into the two-stage neural network classification unit. This unit had the same structure as shown in Figure 2, with the final weights loaded from the training model, where R = 7 attributes and S1 = 40 hidden neurons in the tan-sigmoid transfer functions in the first neuron layer

ผลลัพธ์ (ไทย) 1:

แบบจำลองการวิเคราะห์โครงข่ายประสาทแบบจำลองโครงข่ายประสาทการวินิจฉัยสำหรับการแยกแยะโรคอ่อนโยนสำหรับคาดคะเนผลการตรวจชิ้นเนื้อเต้านมและมะเร็งเต้านมลักษณะจะแสดงในรูปที่ 3 รุ่นนี้วินิจฉัยประกอบด้วยการประมวลผลเวกเตอร์อินพุต โครงข่ายประสาทสองประเภทหน่วย และสองคานแข็งวงเงิน classifier ตัวประมวลผลเวกเตอร์อินพุทแรก ตามปกติแต่ละอินพุตของแอตทริบิวต์ 5 (รวมทั้ง BIRADS อายุ รูปร่าง กำไร และความหนาแน่น) โดยการหาร ด้วยค่าสูงสุดของแต่ละ และคำนวณเพิ่มเติมสองผลิตภัณฑ์ของแอททริบิวต์รวม, "อายุ * BIRADS " และ "รูปร่าง * BIRADS " ดังนั้น สำหรับอินสแตนซ์แต่ละคลินิก มีจำนวน 7 คุณลักษณะที่เกิดจากการแสดงผลของตัวประมวลผลเวกเตอร์อินพุต พร้อมแอตทริบิวต์ 7 ได้รับให้หน่วยจัดประเภทเครือข่ายประสาทสอง หน่วยนี้มีโครงสร้างเดียวกันดังแสดงในรูปที่ 2 มีน้ำหนักสุดท้ายโหลดจากแบบฝึก ที่ R = 7 คุณลักษณะและ S1 = 40 neurons ที่ซ่อนอยู่ในฟังก์ชัน tan sigmoid โอนในเซลล์ประสาทชั้นแรก

ผลลัพธ์ (ไทย) 2:

การวินิจฉัยโครงข่ายประสาทเทียมรุ่นประสาทเครือข่ายรูปแบบที่แตกต่างการวินิจฉัยสำหรับโรคมะเร็งเต้านมและโรคมะเร็งเป็นพิษเป็นภัยสำหรับการคาดการณ์ผลการตรวจชิ้นเนื้อเต้านมจะแสดงในรูปที่ 3 รุ่นนี้การวินิจฉัยที่มีหน่วยประมวลผลเวกเตอร์ป้อนข้อมูลสองขั้นตอนการจำแนกประเภทหน่วยเครือข่ายประสาทและสองคัน ลักษณนามยากขีด จำกัด
หน่วยประมวลผลเวกเตอร์ป้อนข้อมูลครั้งแรกปกติการป้อนข้อมูลแต่ละ 5 คุณลักษณะ (รวม BIRADS อายุรูปร่างขอบและความหนาแน่น) โดยการหารแต่ละค่าสูงสุดและคำนวณแล้วสองผลิตภัณฑ์เพิ่มเติมของคุณลักษณะที่รวมกัน "อายุ * BIRADS" และ "รูปร่าง * BIRADS. "ดังนั้นสำหรับตัวอย่างแต่ละคลินิกมีทั้งหมด 7 คุณลักษณะที่เกิดจากผลของหน่วยประมวลผลเวกเตอร์เข้าที่ 7 คุณลักษณะที่ได้รับการเลี้ยงดูพร้อมกันเป็นสองขั้นตอนการจำแนกประเภทหน่วยโครงข่ายประสาทเทียม หน่วยนี้มีรูปแบบเดียวกันกับที่แสดงในรูปที่ 2 ที่มีน้ำหนักสุดท้ายโหลดจากแบบการฝึกอบรมที่ R = 7 คุณลักษณะและ S1 = 40 เซลล์ประสาทที่ซ่อนอยู่ในฟังก์ชั่นการถ่ายโอนสีน้ำตาล-sigmoid ในชั้นเซลล์ประสาทแรก

ผลลัพธ์ (ไทย) 3:

โดยโครงข่ายประสาทเทียมแบบจำลองโครงข่ายประสาทเทียมการวินิจฉัยการวินิจฉัย
รูปแบบแตกต่างมะเร็งเต้านมและโรคมะเร็งเนื้องอกเต้านมเนื้อเยื่อผลการคาดการณ์ที่แสดงในรูปที่ 3 รุ่นนี้วินิจฉัยที่มีอยู่อินพุตเวกเตอร์หน่วยประมวลผลสองหน่วยการจำแนกเครือข่ายประสาทและสองคานแข็ง จำกัด ลักษณนามใส่ตัวแรก ปกติแต่ละอินพุตเวกเตอร์ 5 คุณลักษณะ ( รวมทั้งไบแร็ด อายุ รูปร่าง ขอบ และความหนาแน่น ) โดยแบ่งแต่ละโดยมูลค่าสูงสุด และคำนวณสองเพิ่มเติมคุณลักษณะของผลิตภัณฑ์รวม " อายุ * ไบแร็ด” และ “รูปร่าง * ไบแร็ด " ดังนั้นในทางคลินิก เช่น มี รวม 7 คุณลักษณะที่เกิดจากผลผลิตของการป้อนข้อมูลเวกเตอร์หน่วยประมวลผลกลาง7 ลักษณะ คือ อาหาร เป็น สองขั้นตอนพร้อมกันประสาทการจำแนกเครือข่ายหน่วย หน่วยนี้มีโครงสร้างเดียวกันดังแสดงในรูปที่ 2 กับน้ำหนักสุดท้ายโหลดจากการฝึกอบรมที่ R = 7 คุณลักษณะและ S1 = 40 มิลเซลล์ประสาทในฟังก์ชันถ่ายโอนแบบแทนในชั้นเซลล์แรก