กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้:
https://buuir.buu.ac.th/xmlui/handle/1234567890/4264ระเบียนเมทาดาทาแบบเต็ม
| ฟิลด์ DC | ค่า | ภาษา |
|---|---|---|
| dc.contributor.author | อกนิษฐ์ ทองจิตร | |
| dc.contributor.author | พูลพงศ์ สุขสว่าง | |
| dc.contributor.author | จตุภัทร เมฆพายัพ | |
| dc.contributor.other | มหาวิทยาลัยบูรพา. วิทยาลัยวิทยาการวิจัยและวิทยาการปัญญา | |
| dc.date.accessioned | 2021-06-28T03:04:35Z | |
| dc.date.available | 2021-06-28T03:04:35Z | |
| dc.date.issued | 2562 | |
| dc.identifier.uri | http://dspace.lib.buu.ac.th/xmlui/handle/1234567890/4264 | |
| dc.description.abstract | งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาวิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะ ผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค 2) เปรียบเทียบประสิทธิภาพวิธีการจำแนกประเภทข้อมูล 3 วิธี ได้แก่ โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค ( AANN-PSO) โครงข่ายประสาทเทียมแบบดั้งเดิมผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (ANN-PSO) และโครงข่าย ประสาทเทียมแบบดั้งเดิม (ANN) และ 3) ศึกษาการจำแนกประเภทกลุ่มเสี่ยงในการเป็นโรคเบาหวานและกลุ่มปกติ โดยใช้วิธีการจำแนกประเภทข้อมูลที่พัฒนาขึ้นข้อมูลที่ใช้ในการศึกษาเป็นตัวอย่างผู้ป่วยที่มีภาวะเสี่ยงต่อการเป็น โรคเบาหวานในพื้นที่เขตรับผิดชอบของสำนักงานสาธารณสุขจังหวัดนครพนม ปี พ.ศ. 2561 จำนวน 7,000 ระเบียน ผลการวิจัยปรากฏว่า 1. วิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบ กลุ่มอนุภาคที่พัฒนาขึ้น ด้วยฟังก์ชันการแปลงใหม่ f (s’) = 2/(1+e-2s') -1 เมื่อ S’ = (S-E(S))/√(Var(S)) ทำให้ค่าความชันของฟังก์ชันเป้าหมายลดลง และประสิทธิภาพการจำแนกประเภทข้อมูลมีค่าความแม่นยำเพิ่มขึ้น 2. วิธี AANN-PSO มีประสิทธิภาพการจำแนกประเภทข้อมูลมากกว่าวิธี ANN-PSO และ วิธี ANN ทั้ง 5 สถานการณ์ และมีประสิทธิภาพเพิ่มขึ้นเมื่อขนาดตัวอย่างเพิ่มขึ้น 3. ตัวแปรที่เป็นปัจจัยสำคัญที่ส่งผลต่อการเป็นโรคเบาหวาน ได้แก่ ดัชนีมวลกาย ความดันโลหิตช่วงหัวใจคลายตัว อายุ ความดันโลหิตช่วงหัวใจบีบตัว เส้นรอบเอว และประวัติเบาหวานในญาติสายตรง โดยการจำแนกประเภทข้อมูลกลุ่มเสี่ยงผู้ป่วยเป็นโรคเบาหวาน ด้วยวิธี AANN-PSO มีค่าความแม่นยำ ร้อยละ 92.79 และค่าความคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.07 | th_TH |
| dc.language.iso | th | th_TH |
| dc.publisher | วิทยาลัยวิทยาการวิจัยและวิทยาการปัญญา มหาวิทยาลัยบูรพา | th_TH |
| dc.subject | นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) | th_TH |
| dc.subject | การหาค่าเหมาะที่สุดเชิงคณิตศาสตร์ | th_TH |
| dc.subject | เบาหวาน | th_TH |
| dc.subject | สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์ | th_TH |
| dc.title | การพัฒนาวิธีจำแนกประเภทข้อมูลโดยใช้โครงข่ายประสาทเทียมแบบปรับเหมาะผสมผสานการหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค สำหรับการจำแนกประเภทกลุ่มเสี่ยงในการเป็นโรคเบาหวาน | th_TH |
| dc.title.alternative | Development of data classification using a hybrid method of adaptive artificial neural networks and particle swarm optimization for identifying patients at risk of diabetes | en |
| dc.type | Article | th_TH |
| dc.issue | 2 | th_TH |
| dc.volume | 17 | th_TH |
| dc.year | 2562 | th_TH |
| dc.description.abstractalternative | This research aimed to 1) develop a method of data classification using Adaptive Artificial Neural Network and Particle Swarm Optimization (AANN-PSO) , 2) compare the performance of the developed data classification method with three types: Adaptive Artificial Neural Network and Particle Swarm Optimization ( AANN-PSO) , Artificial Neural Network and Particle Swarm Optimization ( ANNPSO) and Artificial Neural Network (ANN) and 3), classify the patients who are at risk of diabetes and normal subjects with the method of Adaptive Artificial Neural Network and Particle Swarm Optimization (AANN-PSO). The data set involved 7,000 patients who were at risk of diabetes, in the area under the responsibility of the Nakhon Phanom Provincial Health Office in the year 2018. The research results were as follows: 1. The data classification using Adaptive Artificial Neural Network and Particle Swarm Optimization (AANN-PSO) with the new conversion function acted to decrease the slope of the target function, while data classification performance increased. 2. Data classification using AANN-PSO resulted in better performance than ANN-PSO and ANN in all five situations. Furthermore, when the sample size was increased, the performance was even better. 3. Factors that affected the risk of diabetes included body mass index, diastolic blood pressure, age, systolic blood pressure, and a family history of diabetes. The classification of patients who are at risk of diabetes by using AANN-PSO had an accuracy of 92.79%, with mean square error of 0.07. | en |
| dc.journal | วิทยาการวิจัยและวิทยาการปัญญา | th_TH |
| dc.page | 83-97. | th_TH |
| ปรากฏในกลุ่มข้อมูล: | บทความวิชาการ (Journal Articles) | |
แฟ้มในรายการข้อมูลนี้:
| แฟ้ม | รายละเอียด | ขนาด | รูปแบบ | |
|---|---|---|---|---|
| rmcs17n2p83-97.pdf | 548.1 kB | Adobe PDF | ดู/เปิด |
รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น