application of wavelets to improve cancer diagnosis model in high dimensional linguistic dna microarray datasets

Dna microarray datasets suffer scaling and uncertainty problems. this paper develops a model that manages dna microarray datasets challenges more precisely by using the advantages of wavelet decomposition and fuzzy numbers. for this aim, the proposed method is utilized to classify linguistic dna microarray datasets set, where datasets can be given as linguistic genes. linguistic genes are represented by using triangular fuzzy numbers provided as lr (left-right) fuzzy numbers. then the wabl method is applied as the defuzzification method. also, a set of orthogonal wavelet detail coeficients based on wavelet decomposition at different levels is extracted to specify the localized genes of dna microarray datasets. three dna microarray datasets are used to evaluate this method. the experiments are shown that the proposed model has better diagnostic accuracy than other methods.

کاربرد موجک ها برای بهبود مدل تشخیص سرطان در مجموعه داده های میکرو آرایه DNA زبانی با ابعاد بالا

مجموعه داده های میکرو آرایه DNA مشکلات مقیاس و عدم قطعیت را دارند. این مقاله مدلی را توسعه می دهد که با استفاده از اعداد فازی و مزایای تجزیه موجک چالش های موجود در مجموعه داده های میکرو آرایه DNA را با دقت بیشتر مدیریت می کند. به منظور رسیدن به این هدف روش پیشنهادی برای طبقه بندی مجموعه داده های میکروآرایه DNA زبانی استفاده شده است که می توان مجموعه داده ها را به عنوان ژن های زبانی ارائه داد. ژن های زبانی اعداد فازی مثلثی هستند و به صورت اعداد فازی LR (چپراست) نمایش داده می شوند. سپس روش WABL به عنوان روش دیفازی سازی بکار می رود. همچنین مجموعه ای از ضرایب جزئیات موجک متعامد بر اساس تجزیه موجک در سطوح مختلف استخراج می شوند تا ژن های محلی مجموعه داده های میکروآرایه DNA را مشخص کنند. برای ارزیابی این روش از سه مجموعه داده میکروآرایه DNA استفاده می شود. آزمایشات نشان می دهد مدل جدید دقت تشخیصی بهتری نسبت به سایر روش ها دارد