Adaptiver Neuro-Fuzzy-Ansatz zur Diagnose

URL
Dokumentart: Bachelor Thesis
Institut: Department Informatik
Sprache: Deutsch
Erstellungsjahr: 2017
Publikationsdatum:
SWD-Schlagwörter: MATLAB
DDC-Sachgruppe: Informatik

Kurzfassung auf Deutsch:

In der realen Computerumgebung ist es schwierig, eine Entscheidung zu treffen, die durch Unvollständigkeit und Ungenauigkeit charakterisiert ist. Mehrere Algorithmen und Technologien (Fuzzy-Logik, neuronale Netze, genetische Algorithmen etc.) wurden entwickelt, um eine akkurate Diagnose sicher zu stellen. In dieser Bachelor-arbeit wird ein adaptiver Neuro-Fuzzy-Ansatz als Klassifikator für eine Diagnose benutzt. Viele Aspekte des Adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS) wie Architektur, Variationen der Architektur, Lernalgorithmen, Implementationen und medizinische Anwendungen werden vorgestellt. Für eine Realisierung an einem Fall-beispiel wurden mehrere Modelle mit unterschiedlichen Konfigurationen entwickelt und evaluiert. Die Leistung der Modelle sind mit der Wurzel der mittleren quadrati-schen Fehler (RMSE) ermittelt, um das beste Modell zu erhalten. Die Analyse der Diagnoseresultate und die Vergleiche mit MLP/RBFN demonstrieren eine vielver-sprechende Leistung für eine Modellierung von Diagnosesystemen.

Kurzfassung auf Englisch:

It is difficult to derive a decision in a real-world computing environment, which is characterized by incompleteness, inaccuracy and imprecision. Several algorithms and technologies (soft computing techniques - fuzzy logic, neural networks, genetic algo-rithm etc.) have been constructed to ensure accurate diagnosis. In this thesis, an adaptive neuro-fuzzy approach is used as a classifier for diagnosis. Many aspects of the proposed adaptive neuro-fuzzy inference system (ANFIS) are introduced such as architecture, variations, learning algorithms, implementations and medical diag-nostic applications. For case example, several models with different configurations are developed and evaluated. The performance of these models was measured by root-mean-square error (RMSE) to obtain the best fit model. Analysis of the diagnosis results and comparisons with MLP/RBFN demonstrates a promising performance for modeling of diagnostic systems.

Hinweis zum Urheberrecht

Für Dokumente, die in elektronischer Form über Datenenetze angeboten werden, gilt uneingeschränkt das Urheberrechtsgesetz (UrhG). Insbesondere gilt:

Einzelne Vervielfältigungen, z.B. Kopien und Ausdrucke, dürfen nur zum privaten und sonstigen eigenen Gebrauch angefertigt werden (Paragraph 53 Urheberrecht). Die Herstellung und Verbreitung von weiteren Reproduktionen ist nur mit ausdrücklicher Genehmigung des Urhebers gestattet.

Der Benutzer ist für die Einhaltung der Rechtsvorschriften selbst verantwortlich und kann bei Mißbrauch haftbar gemacht werden.