文摘
近年来,物联网的医疗(IoMT)是一种新出现的技术,已审议是一种很有前途的技术设计各种和广泛的联系网络。IoMT框架在一个智能医疗系统,观察病人的健康情况下动态响应背衬他们的需求,帮助检测重要的症状罕见的身体条件根据收集到的数据。Metaheuristic算法已被证明有效的、健壮的、有效的破解实际优化、聚类、预测、分类、和其他工程问题。非凡的出现,非常大规模的数据生成等各种来源网络,传感器,和社交媒体让世界大数据的时代。大数据带来了一个新的比赛metaheuristic算法。这个研究工作提出了metaheuristic优化算法对于大数据分析的IoMT使用引力搜索优化算法(GSOA)和反射信念网络卷积神经网络(DBN-CNNs)。这里的数据优化进行了使用GSOA收集到的输入数据。输入数据收集与心脏风险预测糖尿病预测基于血管和心脏神经的损伤。收集的数据分类预测异常和正常的糖尿病范围,在此基础上,心脏病发作的风险已经使用SVM预测。的性能分析是揭示GSOA-DBN_CNN表现良好在预测疾病。 The simulation results illustrate that the GSOA-DBN_CNN model used for prediction improves accuracy, precision, recall, F1-score, and PSNR.
1。介绍
在现代世界,更好的医疗系统的主要挑战是世界不断增长的人口。的视觉物联网医疗(IoMT)是提供一个更好、更普遍的健康监测系统。IoMT是医疗设备的集成通过wi - fi和许可设备间(D2D)通信。最近几天,最具挑战性的问题是web服务所需的时间。三维(3 d)视频可以下载在零星的时间间隔通过保持最新的技术趋势。收集到的大量的数据以更少的延迟是获得准确的测量数据。它将会增加设备资源配置能力和异构网络提供了更快的速度。IoMT由各种异构网络,例如,wi - fi、蓝牙、无线个域网和其他移动平台。D2D通信的核心部分是IoMT平台效率高和可靠性。一个智能医疗系统的主要特征是提供更少的延迟和吞吐量和可靠性高,这是非常重要的一个有效和准确的诊断和咨询。 The critical time analysis is the key parameter to be considered for emergency healthcare applications. The highly reliable and delay-tolerant communication and transmission of data was achieved through IoT-driven wearable devices [1]。
Metaheuristic优化方法用于数据集的划分聚类方法划分为组根据具体措施视为一个适应度函数2]。这个函数有更大影响的本质形成这些团体。当选择一个适当的适应度函数,分区的过程转化为一个优化问题。分区是由最小化或最大化之间的相似度的距离模式,或在n维空间频率优化。这些技术通常用于各种研究是他们能够聚类大型数据集,比如信号/图像处理分割图像,分析同类用户分类组,生成精确的隐藏的均衡器,组织人类机器人基于他们的行为,有效地匹配余震地震学的背景条件下,获得高维数据报告,挖掘web文本和识别图像模式在计算机科学领域,投资组合管理控制研究,分类疾病医学人类学使用病人的医疗记录和调查,在无线传感器网络中传感器节点分布对提高寿命,和分组出版物在图书馆基于内容(3]。
如今,大数据是广泛用于分析预测的庞大的数据,业务人员,研究人员估计多的预测精度比传统的分析。大数据结构等五个维度地图速度,价值,体积,准确性和多样性。现在研究人员正在努力处理数据库的可伸缩性和高维度高处理需求。体积的大小定义数据和速度定义数据流的到来不断从最有价值的信息收集4]。
此外,在大数据吞吐量,连接,和速度的计算已经增强了数字设备,提高检索数据的进展,和制造。真实性的控制信息从不同的地方标准。各种指定的路径之间的信息不同的地方,例如,主数据包含传统的结构。数据源的例子包括结构化传统关系数据,连同它也包括半结构化,quasi-structured,和非结构化数据如传感器数据、音频、视频、文本和图形。在医疗、大数据有助于预测流行病,治愈疾病,提高生存率,避免不必要的死亡。随着人口的增加和个人的寿命很长,在提供治疗发生迅速的变化,许多决策基于这些变化。大数据,患者需要在正确的时间正确的决定。病人的数据报告”,主动关怀”所需的个人标识或所需的变化分析,以便退化在他们的健康是可以避免的5]。
然而,机器学习和统计方法,进行一些必要的改变来维护和遵循一些特定的约束而估计高维数据;此外,现有的问题是解决了输入变量时减少在应用数据挖掘的方法。因此,有两种方法的降维技术是采用机器学习。而探索冗余输入数据或特征选择的基本变量从主数据集。在降维过程中,数据是消除与几个输入变量,形成一个新的数据集,每一列的组合输入变量提供相同的信息的输入变量。在统计建模中,这个过程称为勘探(6]。现有的相关工作数据优化和机器学习技术,不提高预测精度的优化级别。
工作的贡献如下:(我)向metaheuristic优化算法对于大数据分析的IoMT使用引力搜索优化算法(GSOA)和反射信念网络卷积神经网络(DBN-CNNs)。(2)执行数据优化使用GSOA收集到的输入数据。输入数据收集与心脏风险预测糖尿病预测基于血管和心脏神经的损伤。
大数据在医疗被用来预测流行病,治愈疾病,提高生活质量,避免可预防的死亡。随着世界人口的增加,每个人都活得更长,治疗的模型交付正在迅速改变,和数据推动这些变化背后的许多决策。大数据可以帮助患者及时作出正确的决策。从病人数据,分析可以应用于识别那些需要“主动关怀”或需要改变他们的生活方式来避免健康状况恶化。例如,患者在某些疾病的早期阶段(例如,心脏衰竭常造成一些危险因素,如高血压或糖尿病)应该能够受益于预防保健,多亏了大数据。
节2,并给出了相关研究工作。部分3显示了该模型的数据优化和糖尿病数据分类。评估标准进行了讨论4。中给出的结论是最后一节5。
2。相关的工作
医疗体系涉及机器学习(ML)方法在诊断等领域,预测和监测。据信由健康监控代理使用毫升技术,生活可以保存(7]。使用支持向量机,2型糖尿病肾病患者可以检测到8]。此外,较早地检测出异常,可以通过使用决策树方法结合基因型和2型糖尿病患者的临床资料。数据可以使用支持向量机(SVM)分类智性别,朴素贝叶斯(NB),决策树(DT)和随机森林(RF)方法产生令人满意的结果。在[9],毫升方法嵌入数据挖掘分析获取知识大集合的信息。分类方法如支持向量机,NB、射频和逻辑回归(LR)。在[10),对心血管和脑血管事件,自动预测模型开发使用心率变异性(HRV)分析。这是适合55年和更多的患者有更高的风险。10倍交叉验证基于HRV特性等数据挖掘方法NB, DT,射频,支持向量机,AdaboostM1 (AB)和多层感知器神经网络(MLPNN)被用于预测。文献[11)集中在抗糖尿病药和发展预测模型未能维持一个指数增加糖尿病2型患者。支持向量机是用于培训大型医疗数据集。在[12检查),糖尿病神经病变的风险。当糖尿病蔓延在整个身体,神经系统影响导致心脏骤停。心率变异性(HRV)使用多尺度估计艾伦向量和心电图的特点帮助使用毫升技术自动检测。介绍了一个基于机器学习系统(GBMLS)有效地诊断糖尿病神经病变。在[13),一个健康的和哮喘病人相对与替代设备检查获得的特征向量哮喘患者吉娜的指导方针。射频、AB-RF MLPNN被用来开发一个毫升预测模型。特异性、灵敏度和精度是考虑的参数。分析(厕所)验证方法被用来训练和测试数据集消除过度拟合的问题。在[14),介绍了监测系统能够有效地监控登革出血热(DHF)的影响,埃及伊蚊蚊子感染使用支持向量机,这取决于气候条件和地理区域。在[15),预测系统是设计用来探测流感样疾病在早期阶段(伊犁)。使用NB和SVM分类器不仅能产生更好的结果,物流回归(LR)和序列最小优化(SMO)也合适。在[16),自动诊断冠状动脉疾病(CAD)介绍,这种疾病导致心跳停止。诊断使用可调Q-wavelet变换(TQWT)和心率信号的观察和监控使用原始心电图(心电图)。三倍交叉验证,最小二乘支持向量机(二)方法用于分类。在[17),心脏病是预测和分析使用BagMOOV合奏multipurpose-weighted投票方法模型。文献[18]研究了情绪障碍是人类的心理行为和精神病学调查使用毫升技术解决方案。3毫升的方法,即支持向量机,至少平均收缩和选择算子(套索)和相关向量机(RVM)使用MATLAB开发预测了企图自杀的可能性。在[19)、风险、诊断和预测乳腺癌的检查有四个毫升方法,即支持向量机,DT, NB,再(资讯)。在[20.),UCI病数据集的分类进行了研究,与endocrine-based粒子群优化支持向量机集成(EPSO)和人工蜜蜂bolony (ABC)。在[21),据透露,SVM与果蝇优化算法(失落)被用在一些医疗数据集,也就是说,威斯康辛州帕金森数据集,乳腺癌数据集,甲状腺疾病诊断和皮马印第安人糖尿病数据集。在[22),糖尿病的预测模型利用机器学习方法是预测。监督机器学习算法用于预测模型是决策树,朴素贝叶斯、人工神经网络和逻辑回归。执行绩效评估在这个方法中采用等参数的准确性,记得,精密,F1-score。在[23),描述了数据驱动SmartWork系统的人工智能组件,包括个性化的预测模型和决策支持工具。在这些子系统,长期预测模型和数据挖掘技术实现提供特定风险指标的概率预测动机对决策和2型糖尿病干预,以及其他慢性疾病。
基于讨论的比较,都是不够优化,提高准确性。因此,本研究旨在提出metaheuristic算法进行数据优化糖尿病数据和预测分析心脏攻击风险预测。这里,IoMT模块用于数据收集和使用重力数据优化的算法,然后将数据分类使用DBN-based CNN。最后,预测分析将使用SVM在图像预测分析的基础。
3所示。系统模型
本节讨论拟议的糖尿病metaheuristic算法根据数据优化数据,导致心脏攻击风险的预测分析基于血管和心脏神经和心脏神经损害。获得的数据集,从公共医疗,包含超过100000个记录包含55个属性。几个其中包括年龄、性别、种族、程序的数量,数量的药物,诊断,再入院。
使用IoMT模块已经开始收集的数据,而这些数据已经聚集了提高数据的优化处理。这里我们使用metaheuristic算法进行数据优化引力搜索优化算法被使用。然后使用这些优化的数据,识别异常的糖尿病数据分类范围。这里我们建立深度信念网(DBN),分类在哪里使用CNN。通过这种分类,糖尿病的正常范围和异常范围分类。正常的糖尿病范围已经更新到医院数据库,和异常的糖尿病,心脏神经和血管损害分析了使用基于图像的预测分析。拟议的糖尿病数据分析已在图1。糖尿病IOMT模块,数据集被收集和数据集的数据集中在数据聚类阶段,和优化数据是通过使用GSOA metaheuristic数据优化。优化的数据进行分类的分类算法DBN-based CNN。从分类结果,糖尿病是送到医院的正常范围内数据库,而异常的糖尿病是发送到分析预测心脏攻击的风险,将由各种参数。
3.1。Metaheuristic-Based引力搜索优化算法(GSOA)
引力(GSOA)是一种随机搜索优化算法基于metaheuristic方法,开发了基于牛顿的引力定律和运动24]。最初,开发基本GSOA模型为连续优化问题找到一个解决方案。介绍了一组代理/对象在搜索空间内尺寸来确定一个最优解,牛顿定律之后的原则。这里,每个代理的位置描述候选人的解决方案习,这是一个向量在搜索空间。代理的性能是获得更多的引力质量更高更重的物体获得更多的吸引半径。在GSOA的寿命,习调整先后通过代理人的位置最好的特工KGSOA适应牛顿定律。详细解释,一个系统年代假设代理,代理给出的位置 在哪里代表代理的位置我在维d与搜索空间维度n。对于每个代理,引力质量估计计算当前数据健身后给出以下方程: 在哪里米我(t),适合我(t)的引力质量和健身价值我th剂,分别在时间t。最好的(t)和坏的(t)给出了以下方程:
代理加速度估计通过添加每个代理的部队出现在组KGSA基于引力定律,它是由使用方程(6)和代理加速度估计方程表达的动态法(7): 在哪里r和j均匀分布随机数介于[0,1],(我)ε,一个小价值,有助于摆脱时除零错误Rij(t)是零。(2)Rij(t)代表的欧几里得距离代理我和j,定义为kXi (t),Xj (t)k2。(3)K最好的显示的第一个代理KGSOA拥有最好的健身价值和引力质量更高,其中KGSOA是最初分配一个时间函数K最初的价值和得到随时间减少。(iv)G(t)是最初的引力常数G最初的价值和随时间到G结束达到如下方程给出:
然后,代理速度和下一个位置估计使用以下方程:
3.2。建立DBN体系结构
一般来说,与一般的神经网络相比,深层神经网络(款)是优越的。款,输入层与输出层由几个隐藏层。训练网络的方法不同。特别款,非监督学习方法用于调整隐藏层的权重,并确定最优特性的网络能够提供从输入。因此,款是灵活,使高阶建模的非线性复杂的输入提供给网络和输出之间的关系。使用款的优势学习的特性和分类数据证明了各种模式识别应用程序,像视觉语言和自然语言处理(24- - - - - -26]。结果观察到促使研究人员开发使用DL方法自动模式识别系统。尽管一些挑战,开发一个合适的培训模型仍然是一个具有挑战性的一款。
款的几个隐藏层的存在和众多参数,训练必须尽最大的努力完成。在培训的过程中,特征检测层随机初始化。款,一系列的生成模型,即一个可见的输入和一个隐藏层被认为是初始化权值和训练,没有考虑到歧视的信息。最后,标准的反向传播方法是用来训练有区别地款。的调查,可以看出基于标准梯度随机初始化方法用于初始化权重的网络产生很少的性能款包含超过两层。与几个参数和无数款隐藏层增加了计算复杂度,训练是慢得多,甚至卡住局部最小值提供意想不到的结果。在这里,在无监督pretraining参数初始化,以便优化的过程以成本函数的局部最小值。图给出了DBN的架构与遏制2(24]。
在遏制,能量函数E带参数和h隐藏或显示代表一对向量,分别有权重矩阵的一般形式W就像在 在哪里一个和b表明偏差可以隐藏或显示重量为单位,分别。与和h而言,E的概率分布P是由
这里的正常化常数Z是由
此外,的概率在隐藏单位的总和高于给定方程给出
对数似训练数据的差异W估计是 在哪里代表数据和预期值分布模型,分别。log-likelihood-based训练数据,网络权重计算使用学习速率ε就像在
神经元不连接在隐藏或可见的层,可以获得公正的样本 。此外,激活隐藏或可见的单位是条件独立的h和c,分别。对于给定 ,条件属性中描述: 在哪里 的概率 在
这里的物流功能σ被指定为在
同样地,当 ,条件属性是估计
一般来说,与 ,无偏抽样不简单;然而,它适用于重建的第一个抽样从h然后吉布斯抽样用于多个迭代。吉布斯抽样,每单位的隐藏和可见层并行更新。最后,与 ,适当的抽样计算增加的预期和更新值h和 。遏制重量可以用于前馈神经网络初始化。几个监督和非监督方法,这项工作关注DBN是常用的糖尿病分类数据。
卷积神经网络(CNN),深度学习知识的神经网络模型,是一种可以广泛使用的技术分类图像。它包含了线性卷积层(conv),一个完全连接层(FC),该模型由非线性函数与一个激活函数线性函数。这个非线性函数影响着每个组件的输入和池层和最小化的大小最终结果。使用多个感知器来分析图像输入,并训练可学的权值和偏差值,用于区分像素值几个部分的图像。使用CNN的一个主要优点是它使用一个本地输入图像空间域;此外,它还股票几可共享的参数和数量较小的权重。这种技术主要是更有效的比其他模型由于减少计算复杂度和内存的使用。CNN架构如图3(25]。卷积层:基本上,图像作为输入的大小为3×224×224,这是CNN的标准尺寸模型。缩放图像经过一堆多层卷积层各种接受字段。卷积层,基本操作是一个卷积,旋卷滑动的内核上执行一些连续的数学运算矩阵的输入矩阵的特征提取的数据,然后这些数据映射到连续层。在每个协调,以聪明元素矩阵乘法进行,结果获得特征矩阵相结合。卷积反复是一种区分的线性模型,协助各种平台如图像处理,统计,和物理。卷积是估计不止一个轴。在那里,二维我是输入图像和K内核滤波器,分别,然后计算出的复杂的图像 池层:也称为池,池层是卷积层的连续层的主要功能是减少从而减少网络计算进行空间域表示。一般来说,在美国有线电视新闻网,内核池的大小是2×2步的2。完全连接层:这个俱乐部层复制在CNN由于卷积。n1×n2是其一般大小,n1,n2输入张量的大小(7×7×512)和输出张量,分别,这通常是一个整数。辍学:这一层被缩写为“下降。“通常情况下,它是用于消除输入overfits;的基本作用是改善深度学习方法的猜想。通常,连接网络节点分配权重。Softmax:通常表示为“σ”,是一个深度学习模型之后,很多层和卷积层后跟ReLU层决定了CNN的非线性和改善它。
卷积层同时呈现在池层拥有平等的通道数,内核大小和跨步。事实上,收集两个卷积3×3层和三个3×3卷积核等于一个5×5和7×7卷积层,分别。叠加2或3小卷积内核工作比一个巨大的卷积核的快得多。此外,参数数量最小化。ReLU层,个头矮小的卷积之间插入层,是非常有用的。
输入数据及其对应的映射图像年代=(年代(1)S…(N)),米=(米(1)…米(N)),分别。的主要目标是设计一个模型地图年代来米借助一些训练数据。这是建模为概率分布的方法通过学习模型标签所代表的 在哪里n(我,我, )是一个补丁∗大小的图像我,专注于像素我。在这里,首选是更高的,这样可以提取更多的上下文信息。其函数形式f是由 在哪里和代表输入的总和我th输出和意义我th分别输出组件。(x),物流工具,是表达的
CNN与softmax输出装置用于多级标记。将softmax输出是一个向量的大小l,这表明运输超过潜在标记像素我。沿着这些线路多级标记,如果路径从像素我输出单元l想到,重组条件了吗 在哪里预测概率,像素我映射到标签j。该方法的优点是总结如下:(我)首先,CNN可能处理大量的标签数据从不同的域。(2)第二,它是快平行时图形处理单元(GPU)。因此这也是延长更多的像素。内核尺寸最小化模拟训练数据,以及执行的内核尺寸最小化计算该方法的学习过程。(3)每一个补丁在训练数据已经由计划σ。由于大量训练的补丁,优化变得复杂。这可以通过使用一个二元分类器,使用最小的补丁。很少有超参数在一定程度上改变了。在敏感性分析定义了超参数调谐精度较高。
将softmax层的输出将被分类的正常和异常范围糖尿病和糖尿病的异常范围进行预测分析的心脏攻击基于心脏神经和血管损伤。这是通过使用基于图像分析预测分析。
3.3。基于图像的预测分析
支持向量机方法用于分类和回归。基于支持向量机方法,数据点相同的属性是描述空间组合在一起。与线性支持向量机,提供的数据,p-dimensional向量是考虑和除以最大p - 1飞机称为超平面,这是用来划分空间分类和回归。支持向量机的数学形式。列出的直线方程
在(26),“x“代表线的斜率和“b”代表相交了
让 和 。因此,
上述方程获得二维矢量被称为超级车道方程。 提到的是z′下
在这里,
众所周知,
为n维向量点积计算如下:考虑f=y(z…一个+b当符号(f)> 0,那么这是一个正确的分类,和符号(f)< 0时,它是不正确的。如果数据集D提供,然后在一个训练数据集,f通过计算
功能优势(F)在给定的数据集是估计
通过超平面之间的对比,拥有最大的超平面F是选择。选择最优超平面,最优的z和b值必须被发现。拉格朗日函数l是由以下方程:
因此计算如下:
在下列方程,更换l,
因此,得到以下方程:
当一个点是超平面,它是归类为+ 1类描述这些心脏风险识别在超平面,它是−1类描述,没有心脏风险识别。
4所示。性能分析
绩效评估的方法,使用MATLAB软件实现。的效率评估方法和一些参数措施精度,精度,召回,F1-score。通过使用U-matrix错误率的地形误差,然后量化误差估计。所选择的数据集评估糖尿病数据集。为了测试模型的性能,数据从数据集随机选择。
4.1。量化误差
在培训期间,所需的计算量水平降低。此外,它估计性能水平通过应用随机量化评估值的梯度。它规定了标准的每一个输入向量之间的距离节点及其赢家。
在上面的方程中,表示赢家的权向量为输入 。因此,预期的要小。
4.2。神经元的利用率
这指定比获胜神经元的一个输入或输入矢量地图。
在这里(45),如果神经元我是赢家,那么 或 。因此,预计更接近1.0。错误的计算数据所示4(一)和4 (b)
(一)
(b)
4.3。U-Matrix
U-matrix代表的集群结构地图说明相邻神经元的距离。输出类的获胜神经元U-matrix获胜神经元和类名数据所示5(一个)和5 (b)
(一)
(b)
4.4。精度
这样的比例分类正确估计的实例
4.5。精度
这是测量显示的比例数据传输网络的入侵。这个参数估计的正确性和质量分类所决定
4.6。回忆
这个指标提出了真正的阳性的比例,正确预测阳性的
4.7。F1-Score
这通常是精度和召回的平均值。此外,统计测量用于F1-score计算单个分类器的性能率FN和FP (49)。精密法官的准确性,同时召回检测样本实例对缺陷或nonfaulty属性。
表1显示了一些观测的糖尿病数据集的实例,然后分类。资讯的性能的各种技术措施,NN,安被认为是估计的效率提出GSOA-DBN_CNN技术。表1介绍了精度的比较分析,精确,回忆,和F1-score用百分比表示。
图6图形化地显示了比较各种方法的精度。可以看出该GSOA-DBN_CNN技术比现有技术更准确。精度提高了98%提出技术。
图7图形化地显示了比较各种方法的精度。证明该GSOA-DBN_CNN技术产生更高的精度比现有的技术。通过比较精度分析与现有技术,该技术已经提高了96%。
图8图形化表示召回方面的各种方法的比较。注意到,提出GSOA-DBN_CNN技术比现有技术生产最大的召回。回忆已经改善了94%提出技术与现有技术相比。
图9图形化表示F1-score方面的各种方法的比较。发现该GSOA-DBN_CNN技术达到改善F1-score 92%比现有的技术。
PSNR图提出GSOA和现有算法比较,WOA, GA,哈图所示10。
图10图形化地显示了比较各种方法PSNR值的比较进行数据优化。推断,提出GSOA-DBN_CNN技术达到0.2 PSNR比现有技术的提高。
表中描述的比较结果2,和整体的分析表明,该GSOA-DBN_CNN实现精度高于2%的安,NN的3%,和4%的资讯。安的精度达到2%以上,3%的神经网络,6%的资讯。安回忆获得高于2%的,3%的神经网络,和4%的资讯,同样F1-score达到2%的安,NN的3%,和3%的资讯。拟议中的GSOA-DBN_CNN技术达到提高0.2比现有AWO PSNR, WOA和GA技术在图所示11。
从实验结果可以看出该GSOA-DBN_CNN技术实现精度为98%,96%的精度,94%的回忆,和PSNR 0.2高于现有算法,WOA,遗传算法技术。尽管提出GSOA-DBN_CNN模型达到更好的结果,它在某些领域缺乏效率,也得到改善。
5。结论
metaheuristic优化算法的效率证明解决几个问题相关文本聚类。但是,当地最适条件的捕获是可能的重点是全球搜索而非本地搜索,这是探索,而不是剥削。在这项研究中,基于数据metaheuristic算法优化提出了糖尿病数据,导致心脏攻击风险的预测分析基于血管和心脏神经和心脏神经损害。使用数据优化,GSOA自那些强劲metaheuristic优化算法是可行的。然后,建立了很深的信仰体系结构(DBA),分类在哪里使用CNN。通过这种分类,糖尿病的正常范围和异常范围分类。正常的糖尿病范围已经更新到医院数据库,和异常的糖尿病,心脏神经和血管损害分析了使用基于图像的预测分析。此外,方法也与算法相比,WOA, GA,哈哈。结果显示,该GSOA-DBN_CNN技术更好的的每一个参数被认为是对现有技术的比较。精度通过该技术是98%,精度达到96%,召回已经提高到94%,并F1-score获得92%相比,现有的资讯,安,和神经网络。 The comparative results are described as follows: the proposed GSOA-DBN_CNN achieved accuracy higher than 2% of ANN, 3% of NN, and 4% of KNN. The precision achieved is more than 2% of ANN, 3% of NN, and 6% of KNN. Recall obtained is higher than 2% of ANN, 3% of NN, and 4% of KNN, similarly, the F1-score achieved is 2% of ANN, 3% of NN, and 3% of KNN. The proposed GSOA-DBN_CNN technique achieves an improved 0.2 PSNR than the existing AWO, WOA, and GA techniques. The data optimization has been improved when compared with existing optimization techniques in terms of PSNR. In the future, hybrid deep learning methods can be utilized to further improve the efficiency of the model.
数据可用性
使用的数据来支持本研究的结果包括在本文中。
信息披露
本研究进行了作者作为工作的一部分。
的利益冲突
作者宣称没有利益冲突。
确认
作者扩展他们的感谢院长以来哈立德国王大学科研经费申请这项工作通过一个研究小组项目批准号R.G.P. 1/399/42。