ADAPTIVE FUZZY LOGIC BASED FRAMEWORK FOR HANDLING IMPRECISION AND UNCERTAINTY IN PATTERN CLASSIFICATION OF BIOINFORMATICS DATASETS

(2009) ADAPTIVE FUZZY LOGIC BASED FRAMEWORK FOR HANDLING IMPRECISION AND UNCERTAINTY IN PATTERN CLASSIFICATION OF BIOINFORMATICS DATASETS. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF (M.S Thesis)
Rasheed_Thesis_Final.pdf

Download (1MB) | Preview

Arabic Abstract

إن مشكلة التصنيف في مجال البيوانفورماتيك هي مهمة صعبة كون المعلومات حول الأمراض المختلفة هي إما غير كافية أو غير موثوقة بسبب تجميع البيانات باستخدام أدوات طبية مختلفة. إن محدودية الخبرة البشرية في تشخيص المرض يدوياً تؤدي الى تصنيف خاطىء في المجال الطبي. علاوة على ذلك المعلومات المجموعة من مصادر مختلفة قد تكون غير دقيقة أو غير مؤكدة. قدمت هذه الرسالة إطار عمل تصنيفي معتمد عى المنطق الغائم من النوع الثاني للبيانات المتغيرة لتشخيص الأنماط المختلفة من الأمراض وهو قادر على معالجة عدم الدقة وعدم التأكد. إن دقة التصنيف وأداء إطار العمل الجديدتم قياسها باستخدام UCI وهي مجموعات بيانات طبية معروفة وتمت مقارنة النتائج بمعظم المصنفات الشائعة في الأعمال المنشورة في علوم الحاسب والاحصائيات. لقد تم إنجاز التصنيف على أساس طبيعة الدخل كـ singleton أو non-singleton وفيما إذا كان عدم التأكد موجوداً في النظام أو لا. إن النتائج التجريبية أظهرت أن اطار العمل المقدم FLS يتفوق على النماذج المحققة السابقة وله دقة تصنيف أعلى من جميعها. بالإضافة لذلك، تم اجراء عدد من الدراسات التجريبية المتعلقة بتأثير البارامترات المختلفة لـ FLS مثل خوارزميات التدريب، و أساليب الـ defuzzification وخوارزميات التدريب

English Abstract

Classification in the emerging field of Bioinformatics is a challenging task because the information about different diseases is either insufficient or lacking in authenticity as data is collected from different types of medical equipment. Also the limitation of human expertise in manual diagnoses leads to incorrect diagnoses. Moreover, the information gathered from various sources is subject to imprecision and uncertainty. Researchers utilized Artificial Neural Networks, Support Vector Machine and Bayesian Networks to achieve better classification, but the developed models are bedeviled by several limitations especially in uncertain situations. Recently, Type-1 and Type-2 Fuzzy Logic Systems (FLS) have been introduced as novel computational intelligence approaches for both prediction and classification. However Type-2 and other FLS have not been fully utilized in the bioinformatics and medical science. This thesis presents a Type-2 FLS-based classification framework for multivariate data to diagnose different types of diseases, which is capable of handling imprecision and uncertainty. As expected, this new computational intelligence approach overcomes the weaknesses of existing classifiers, particularly in the ability to handle data in uncertain situations such as uncertainty due to the existence of various types of noise, inconsistent expert opinions, ignorance and laziness. The classification accuracy and performance of the proposed framework are measured by using University of California, Irvine (UCI) well known medical datasets. The classification is performed on the basis of the nature of the inputs (e.g., singleton or non-singleton) and on whether uncertainty is present or absent. Empirical results have shown that the proposed FLS classification framework outperforms earlier implemented models with better classification accuracy among all existing classifiers. In addition, we conducted empirical studies on this classifier regarding the impact of various parameters of the proposed framework such as training algorithms and defuzzification methods.

Item Type: Thesis (Masters)
Subjects: Computer
Department: College Of Computer Sciences and Engineering > Information and Computer Science Dept
Committee Advisor: El-Bassuny, Dr. Tarek Helmy
Committee Members: A. Faisal, Dr. Kanaan and El-Shafei, Dr.Moustafa and Ameen, Dr. Alaa Eldin
Depositing User: Mr. Admin Admin
Date Deposited: 17 May 2009 05:45
Last Modified: 01 Nov 2019 14:10
URI: https://eprints.kfupm.edu.sa/id/eprint/136042