ترجمه تخصصی ارزان مقاله روش سنجش برای انتخاب مدل تشخیصی بهینه کووید-19 بر اساس روش آنتروپی و تاپسیس (IEEE 2020)
ترجمه فارسی چکیده مقاله:
امروزه، کروناویروس (کووید-19) توجه بینالمللی را به خود جلب میکند، زیرا این بیماری یک بیماری همهگیر خطرناک برای زندگی محسوب میشود که کنترل شیوع عفونت در سراسر جهان را سخت میکند. یادگیری ماشینی (ML) یکی از تکنیکهای هوشمند است که قادر است براساس تجربه و روند یادگیری، رویداد را با دقت مناسب پیشبینی کند. در این میان، تعداد سریعی از مدلهای ML برای پیشبینی موارد کووید-19 ارائه شده است. بنابراین، نیاز به ارزیابی و محک مدلهای COVID-19 ML است که چالش اصلی این مطالعه محسوب میشود. علاوه بر این، هیچ مطالعه واحدی در مورد مسئله ارزیابی و معیارهای مدلهای تشخیص کووید وجود ندارد. با این حال، این مطالعه یک روش هوشمندانه برای کمک به سازمانهای بهداشتی در انتخاب سیستم تشخیص کووید-19 است. معیار و ارزیابی الگوهای تشخیصی برای کووید-19 یک فرایند بی اهمیت نیست. چندین معیار وجود دارد که نیاز به ارزیابی دارد و برخی از معیارها با یکدیگر در تضاد هستند. مطالعه ما به عنوان ماتریس تصمیمگیری (DM) تدوین شده است که ترکیبی از ده معیار ارزیابی و دوازده مدل تشخیصی برای کووید-19 فرموله شده است. روش تصمیمگیری چند معیار (MCDM) برای ارزیابی و محک مدلهای تشخیصی مختلف برای کووید-19 با توجه به معیارهای ارزیابی استفاده شده است. یک روش MCDM یکپارچه ارائه میشود که در آن TOPSIS از هدف معیار و رتبهبندی استفاده میکند در حالی که از Entropy برای محاسبه وزن معیارها استفاده میکند. نتایج مطالعه نشان داد که معیارهای انتخاب و معیارهای انتخابی در ارتباط با مدلهای تشخیص کووید-19 با استفاده از ادغام آنتروپی و تاپسیس قابل حل است. طبقهبندی کننده SVM (خطی) بهعنوان بهترین مدل تشخیص کووید-19 با ضریب نزدیک بودن 0.9899 برای دادههای مطالعه موردی ما انتخاب شده است. علاوه بر این، روش پیشنهادی، در کنار این مسئله که مدلهای تشخیص خاص دارای بهترین ارزش ایده آل هستند، واریانس معنی داری را برای هر معیار از نظر بهترین ایدهآل و بدترین بهترین ارزش حل کرده است.
کلمات کلیدی: کووید-19 تشخیصی، یادگیری ماشین، روش معیار سنجی، تصاویر با اشعه X قفسه سینه، آنتروپی، TOPSIS ، تصمیم گیری چند معیار.
عنوان مقاله انگلیسی:
Benchmarking Methodology for Selection of Optimal COVID-19 Diagnostic Model Based on Entropy and TOPSIS Methods
چکیده مقاله انگلیسی:
ABSTRACT Nowadays, coronavirus (COVID-19) is getting international attention due it considered as a life-threatened epidemic disease that hard to control the spread of infection around the world. Machine learning (ML) is one of intelligent technique that able to automatically predict the event with reasonable accuracy based on the experience and learning process. In the meantime, a rapid number of ML models have been proposed for predicate the cases of COVID-19. Thus, there is need for an evaluation and benchmarking of COVID-19 ML models which considered the main challenge of this study. Furthermore, there is no single study have addressed the problem of evaluation and benchmarking of COVID diagnosis models. However, this study proposed an intelligent methodology is to help the health organisations in the selection COVID-19 diagnosis system. The benchmarking and evaluation of diagnostic models for COVID-19 is not a trivial process. There are multiple criteria requires to evaluate and some of the criteria are conflicting with each other. Our study is formulated as a decision matrix (DM) that embedded mix of ten evaluation criteria and twelve diagnostic models for COVID-19. The multi-criteria decision-making (MCDM) method is employed to evaluate and benchmarking the different diagnostic models for COVID19 with respect to the evaluation criteria. An integrated MCDM method are proposed where TOPSIS applied for the benchmarking and ranking purpose while Entropy used to calculate the weights of criteria. The study results revealed that the benchmarking and selection problems associated with COVID19 diagnosis models can be effectively solved using the integration of Entropy and TOPSIS. The SVM (linear) classifier is selected as the best diagnosis model for COVID19 with the closeness coefficient value of 0.9899 for our case study data. Furthermore, the proposed methodology has solved the significant variance for each criterion in terms of ideal best and worst best value, beside issue when specific diagnosis models have same ideal best value.
INDEX TERMS COVID19 Diagnostic, Machine learning, Benchmarking Methodology, Chest X-rays Images, Entropy, TOPSIS, Multi-criteria decision-making.
مشخصات فایل مقاله انگلیسی (اصلی)
تعداد صفحات مقاله: 17
تاریخ انتشار مقاله: 2020
نشریه: IEEE آی تریپل آی
فرمت فایل: pdf
حجم فایل: 1/372KB
لینک دانلود رایگان مقاله:
روش سنجش برای انتخاب مدل تشخیصی بهینه کووید-19 بر اساس روش آنتروپی و تاپسیس
مشخصات فایلهای ترجمه تخصصی ارزان مقاله (فارسی)
تعداد صفحات فایل pdf ترجمه: 29
تعداد صفحات فایل word ترجمه: 29
حجم فایل pdf ترجمه: 633.777KB
حجم فایل word ترجمه: 644.681KB
حجم فایل فشرده ترجمه (فایل زیپ): 1.250KB
زبان ترجمه: فارسی
ترجمه تصاویر: ندارد
ترجمه زیرنویس تصاویر: دارد
ترجمه جداول: ندارد
ترجمه زیرنویس جداول: دارد
فونت فارسی ترجمه: BTitr و BNazanin
فایلهای قابل دانلود پس از پرداخت: فایل فشرده شامل فایل word و فایل pdf ترجمه
تصاویر بخشی از ترجمه فارسی مقاله:
جهت بهبود خدمات ترجمه، ما را از نظرات ارزشمند خود درباره این ترجمه آگاه سازید