Comparison of Two Types of Neural Networks for Classifying the Effects of Heart Diseases in Erbil City

Samyia Khalid Hasan

doi:10.21271/zjhs.29.6.13

المؤلفون

Samyia Khalid Hasan Department of Statistics and Informatics, College of Administration & Economics, Salahaddin University-Erbil, Kurdistan Region, Iraq

DOI:

https://doi.org/10.21271/zjhs.29.6.13

الكلمات المفتاحية:

Classification, Neural Network, Radial Basic Function , Multilayer Perceptron Network and algorithms

الملخص

الهدف الرئيسي من هذا البحث هو مقارنة طريقتين للشبكات العصبية، شبكة الوظائف الأساسية لإعادة الطلب وشبكة الإدراك الحسي متعددة الطبقات، من أجل تحديد أيهما أفضل طريقة للتنبؤ بأمراض القلب. تم جمع البيانات في المستشفى الجراحي التخصصي – مركز القلب في أربيل. تكونت العينة من (196) ملاحظة خلال الفترة من 1 يناير 2006 إلى 30 أبريل 2023 حسب الشهر. تمتلك شبكة دالة الأساس الشعاعي (RBF) أقل قيم للمقاييس المذكورة أعلاه للتدريب، وذلك باستخدام نفس المقياس للتنبؤ بأداء البيانات مثل متوسط مربع الخطأ (MSE) ومتوسط الانحراف المطلق ومتوسط النسبة المئوية للخطأ المطلق (MAPE) نماذج الشبكات واختبارها وتتطلب وقتًا أقل لتدريب مجموعة البيانات. ويمكن الاعتماد على هذه الشبكة لأنها فعالة للغاية في التنبؤ بتأثيرات أمراض القلب في مدينة أربيل.

المراجع

- Adelson, S. & Keys, A. (1962). Diet and health characteristics of 123 business and professional men and methods used to obtain the dietary information. ARS, US Department of Agriculture, 11-62.

- Bergson, A.W. & Choatel, T. (1996) ‘Cooperative-Competitive Genetic Evolution of Radial Basis Function Centers and Widths for Time Series Prediction’, IEEE Transactions on Neural Networks, 7(3), pp. 869–880.

- Bianchini, M. & Scarselli, F. (2014) ‘On the Complexity of Neural Network Classifiers: A Comparison between Shallow and Deep Architectures’, IEEE Transactions on Eurasian J. Sci. Eng., 25(8), pp. 1553–1565.

- Bogdan, M. (2013) ‘Comparison of Training Algorithms and Network Architectures’, 17th IEEE Intelligent Engineering Systems Conference, Costa Rica, p. 11.

- Bors, A. & Gabboui, G. (1994) ‘Minimal topology for a Radial Basis Function Neural Network for Pattern Classification’, Digital Signal Processing: A Review Journal, 4(3), pp. 173–188.

- Dan, S. (2002) ‘Training Radial Basis Neural Networks with the Extended Kalman Filter’, Neurocomputing, 48, pp. 455–475.

- Gershenson, C. (1998) Artificial Neural Networks for Beginners. Sussex Academy, UK.

- Graupe, D. (2007) Principles of Artificial Neural Networks. 2nd ed. World Scientific Publishing Co., Singapore; London.

- Hagan, M., Demuth, H. & Beale, M. (1996) Neural Network Design. PWS Publishing Co., USA.

- Hao Yu, Philip, Tiantian, X., Tonasz, B. & Bogdan, W. (2014) ‘An Incremental Design of Compact Radial Basis Function Networks’, IEEE Transactions on Neural Networks and Learning Systems (accepted).

- Hassan, S. (2022) A New Self-Organizing Map (SOM) to Forecast the Electricity Generation in KR-Iraq. PhD thesis, College of Administration and Economics, Salahaddin University-Erbil.

- Haykin, S. (1999) Neural Networks: A Comprehensive Foundation. 2nd ed. Prentice-Hall, MC Master University, Ontario, Canada.

- Nicolas, B. (1999) ‘Reformulated Radial Basis Neural Networks Trained by Gradient Descent’, IEEE Transactions on Neural Networks, 10(3), pp. 657–671.

- Principe, J., Euliano, N. & Lefebvre, W. (2000) Neural and Adaptive Systems: Fundamentals through Simulation. John Wiley & Sons, New York.

- Saalih, W. & Hassan, S. (2023) ‘Using Neural Networks to Forecast the Electricity Generation in Kurdistan Region-Iraq’, 7th International Conference of Union of Arab Statisticians, Cairo, Egypt.

- Sinha, H. (2002) Designing a Neural Network for Forecasting Financial and Economic Time Series. June 4th, IND E 593.

- Zurada, M. & Cholew, J. (1994) ‘Introduction: Artificial Neural Systems’, Proceedings of the IEEE International Joint Conference on Neural Networks, Houston, Texas, USA.