محمدرضا محمدی خروشانی - دانشجوی کارشناسی ارشددانشگاه پیام نور
سیدسعید آیت - گروه علمی مهندسی کامپیوتر وفناوری اطلاعات دانشگاه پیام نور

انتخاب ویژگیهای اصلح دررده مسائل سخت قرارمیگیرد کاهش ابعادویژگیها درراستای افزایش کارایی کاهش زمان پردازش و ارتقای عملکرد افزایش دقت بازشناسی بهویژه درکاربردهای بازشناسی الگو همواره چالش برانگیز بودها ست ازطرفی توانایی شبکه های عصبی درترکیب فرایندهای یادگیری استخراج ویژگی انتخاب ویژگی و طبقه بندی و توانایی الگوریتم های تکاملی درمسائل بهینه سازی درگستره وسیعی ازپژوهش ها مورد بررسی قرارگرفته اند دراین پژوهش درکابردی متفاوت ازشبکه های عصبی درراستای انتخاب ویژگیهای اصلح و نه طبقه بندی استفاده شده است به منظور یادگیری ازالگوریتم متاهیوریستیک ژنتیک درراستای انتخاب بهینه وزن ها و بایاس ها استفاده شده و جهت انتخاب ویژگی برمبنای شبکه عصبی ازمعیار نسبت سیگنال به نویز مبتنی بروزن استفاده گردیده است این راهکار برروی 11 بانک اطلاعاتی پزشکی مختلف ارزیابی شد نتایج ارزیابی امیدوار کننده بوده و توازن بین کارایی و عملکرد را به خوبی حفظ نموده است

انتخاب ویژگی ، متاهیوریستیک ، شبکه های عصبی ، ژنتیک