一种基于Ropalidia Marginata的混合生物启发的神经模型,用于多种疾病的分类行为
Maria Ali1, Abdullah Khan2,3, Dzati Athiar Ramli4
1Institute of Computer Science and Information Technology, the University of Agriculture Peshawar, City, Peshawar, 25000, Pakistan.
Scientific reports
|November 25, 2025
概括
这项研究介绍了一种基于Ropalidia Marginata优化的新型混合神经网络 (RMO-NN),用于改进疾病诊断. 与现有模型相比,RMO-NN提高了医疗数据分类的准确性和效率.
科学领域:
- 生物医学数据分析
- 机器学习在医疗保健中的应用
- 计算智能是一种计算智能.
背景情况:
- 准确的疾病诊断至关重要,但具有挑战性.
- 机器学习,特别是人工神经网络 (ANN),显示出对智能疾病检测的希望.
- 优化ANN是提高分类准确度和避免局部最小值的关键.
研究的目的:
- 介绍一种新的混合Ropalidia Marginata基于优化的混合神经网络 (RMO-NN),用于增强医疗数据分类.
- 利用生物启发的机制来优化神经网络学习.
- 为了减少疾病检测中的分类错误.
主要方法:
- 开发了一个混合RMO-NN,将Ropalidia Marginata优化 (RMO) 与神经网络集成在一起.
- 整合了RMO的任务分配和主导层次结构,用于神经网络优化.
- 对乳腺癌,糖尿病,输血和医学图像数据集进行验证的RMO-NN.
主要成果:
- 在准确性,MSE,SD和融合速度方面,RMO-NN在Cuckoo Search神经网络 (CSNN) 和人工蜂群神经网络 (ABCNN) 上表现优越.
- 该模型显示了生物医学数据分类任务的显著改进.
- 在医学图像数据集上,RMO-NN的表现优于最先进的深度学习模型.
结论:
- 拟议的RMO-NN是通过加强医疗数据分类来改善疾病诊断的有效方法.
- 新的RMO算法在优化神经网络性能方面提供了显著的优势.
- 这项工作为准确和高效的生物医学数据分析提供了一个强大的工具.
