Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/36780| Назва: | Розробка системи підтримки прийняття рішень для прогнозування ступеня важкості вірусних захворювань в умовах пандемії |
| Інші назви: | Development of decision-making system to forecast the severity level of viral diseases in a pandemic |
| Автори: | Боднар, Роман Ігорович Bodnar, Roman Igorovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Боднар Р. І. Розробка системи підтримки прийняття рішень для прогнозування ступеня важкості вірусних захворювань в умовах пандемії : кваліфікаційна робота освітнього рівня „Магістр“ „124 – системний аналіз“ / Р. І. Боднар. – Тернопіль : ТНТУ, 2021. – 70 с. |
| Дата публікації: | 22-гру-2021 |
| Дата подання: | 8-гру-2021 |
| Дата внесення: | 24-гру-2021 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Пасічник, Володимир Володимирович |
| Члени комітету: | Микитишин, Андрій Григорович |
| УДК: | 004.9 |
| Теми: | експертна система expert system когнітивна карта cognitive map машинне навчання machine learning оптимізація optimization система підтримки прийняття рішень decision support system рівень тяжкості severity level COVID-19 |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена розробці системи підтримки прийняття рішень для прогнозування ступеня важкості вірусних захворювань в умовах пандемії. В першому розділі кваліфікаційної роботи проведено наукові розвідки систем підтримки клінічних рішень на основі штучного інтелекту. Проаналізовано опубліковані наукові дослідження щодо оцінювання ступеня важкості COVID-19. В другому розділі кваліфікаційної роботи досліджено метод підтримки прийняття рішень на основі правил переконань. Описано Баєсівські мережі та байєсівський алгоритм пошуку. Розглянуто метод FCM. Проаналізовано комбінований підхід до підтримки процесів прийняття рішень щодо ступеня важкості вірусних захворювань в умовах пандемії. В третьому розділі кваліфікаційної роботи описано процес попередньої обробка даних для кластеризації. Описано формування та оцінювання нечіткої когнітивної карти на основі мережі Байєса для потреб системи підтримки прийняття рішень для прогнозування ступеня важкості вірусних захворювань в умовах пандемії. Qualification work is devoted to the development of a decision support system to predict the severity of viral diseases in a pandemic. In the first section of the qualification work, scientific investigations of clinical decision support systems based on artificial intelligence were conducted. Published research on the assessment of the severity of COVID-19 is analyzed. The second section of the qualification work explores the method of decision support based on the rules of belief. Bayesian networks and Bayesian search algorithm are described. The FCM method is considered. A combined approach to support decision-making on the severity of viral diseases in a pandemic is analyzed. The third section of the qualification work describes the process of pre-processing data for clustering. The formation and evaluation of a fuzzy cognitive map based on the Bayesian network for the needs of the decision support system to predict the severity of viral diseases in a pandemic. |
| Зміст: | ВСТУП 7 1 СТАН ДОСЛІДЖЕНЬ ГАЛУЗІ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ В УМОВАХ ПАНДЕМІЇ 9 1.1 Світ в умовах пандемії 9 1.2 Системи підтримки клінічних рішень на основі ШІ 13 1.3 Опубліковані дослідження щодо оцінювання ступеня важкості COVID-19 18 1.4 Висновок до першого розділу 21 2 АНАЛІЗ МЕТОДІВ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ЩОДО СТУПЕНЯ ВАЖКОСТІ ВІРУСНИХ ЗАХВОРЮВАНЬ В УМОВАХ ПАНДЕМІЇ 22 2.1 Метод підтримки прийняття рішень на основі правил переконань 22 2.2 Баєсівські мережі та байєсівський алгоритм пошуку 32 2.3 Метод FCM 35 2.4 Комбінований підхід 37 2.5 Висновок до другого розділу 39 3 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ 40 3.1 Попередня обробка даних для кластеризації 40 3.2 Оцінка сценаріїв 42 3.3 Формування та оцінювання FCM на основі BN 46 3.4 Висновок до третього розділу 53 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 54 4.1 Умови праці працівників ІТ-галузі 54 4.2 Здоровий спосіб життя людини та його вплив на професійну діяльність 57 ВИСНОВКИ 59 ПЕРЕЛІК ДЖЕРЕЛ 60 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/36780 |
| Власник авторського права: | © Боднар Роман Ігорович, 2021 |
| Перелік літератури: | 1 Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tao Q, Sun Z, Xia L (2020) Correlation of chest CT and RT-PCR testing in Coronavirus Disease 2019 (COVID-19) in China: a report of 1014 cases. Radiology. https ://doi.org/10.1148/radio l.20202 00642. 2 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., Matsiuk, O. Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. International Scientific and Technical Conference on Computer Sciences and Information Technologies, 2020, 2, pp. 277–280, 9321889. 3 Hani C, Trieu NH, Saab I, Dangeard S, Bennani S, Chassagnon G, Revel MP (2020) COVID-19 pneumonia: a review of typical CT findings and differential diagnosis. Diagn Interv Imaging. https: // doi.org/10.1016/j.diii. 4 Worldometer (2021) Daily reports of statistics about COVID-19. https://www.world omete rs.info/coronavirus/. 5 Our World in Data (2021) Open source charts for COVID-19. https://ourworldindata.org/how-to-embed-charts. 6 Rothan HA, Byrareddy SN (2020) The epidemiology and pathogenesis of coronavirus disease (COVID-19) outbreak. J Autoimmun 109:102433. https://doi.org/10.1016/j.jaut. 7 Srinivasa Rao ASR, Vazquez JA (2020) Identification of COVID19 can be quicker through artificial intelligence framework using a mobile phone-based survey when cities and towns are under quarantine. Infect Control Hosp Epidemiol. https ://doi.org/10.1017/ ice. 8 Duda, O., et al, Selection of Effective Methods of Big Data Analytical Processing in Information Systems of Smart Cities. CEUR Workshop Proceedings 2631, pp. 68-78. 2020. 9 Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, Cao K, Liu D, Wang G, Xu Q, Fang X, Zhang S, Xia J, Xia J (2020) Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT: evaluation of the diagnostic accuracy. Radiology 296(2):E65–E71. https://doi.org/10.1148/radio l.20202 00905. 10 Huang Z, Zhao S, Li Z, Chen W, Zhao L, Deng L, Song B (2020) The Battle Against Coronavirus Disease 2019 (COVID-19): Emergency Management and Infection Control in a Radiology Department. J Am Coll Radiol 17(6):710–716. https ://doi. org/10.1016/j.jacr. 11 Xu X, Han M, Li T, Sun W, Wang D, Fu B, Zhou Y, Zheng X, Yang Y, Li X, Zhang X, Pan A, Wei H (2020) Efective treatment of severe COVID-19 patients with tocilizumab. Proc Natl Acad Sci USA 117(20):10970–10975. https ://doi.org/10.1073/ pnas.20056 15117. 12 Tang Z, Zhao W, Xie X, Zhong Z, Shi F, Liu J, Shen D (2020) Severity Assessment of Coronavirus Disease 2019 (COVID-19) using quantitative features from chest CT images. http://arxiv. org/ abs/2003.11988. 13 Farid AA, Selim GI, Awad H, Khater A (2020) A novel approach of CT images feature analysis and prediction to screen for corona virus disease (COVID-19). Int J Sci Eng Res 11(3):1–9. https :// doi.org/10.14299 /ijser. 14 Wang CJ, Ng CY, Brook RH (2020) Response to COVID-19 in Taiwan: big data analytics, new technology, and proactive testing. JAMA. https://doi.org/10.1001/jama.2020.3151. 15 Karar ME, Hemdan EE-D, Shouman MA (2020) Cascaded deep learning classifiers for computer-aided diagnosis of COVID-19 and pneumonia diseases in X-ray scans. Complex Intell Syst. https ://doi.org/10.1007/s4074 7-020-00199 -4. 16 Shankar K, Perumal E (2020) A novel hand-crafted with deep learning features based fusion model for COVID-19 diagnosis and classification using chest X-ray images. Complex Intell Syst. https ://doi.org/10.1007/s4074 7-020-00216-6. 17 Elaziz MA, Hosny KM, Salah A, Darwish MM, Lu S, Sahlol AT (2020) New machine learning method for imagebased diagnosis of COVID-19. PLoS ONE 15(6):e0235187. https: //doi.org/10.1371/ journ al.pone.02351 87. 18 Laguarta J, Hueto F, Subirana B (2020) COVID-19 artificial intelligence diagnosis using only cough recordings. IEEE Open J Eng Med Biol 1:275–281. https ://doi.org/10.1109/ojemb .2020.30269 28. 19 Wang W, Tang J, Wei F (2020) Updated understanding of the outbreak of 2019 novel coronavirus (2019-nCoV) in Wuhan, China. J Med Virol 92(4):441–447. https ://doi.org/10.1002/jmv.25689. 20 Wu, J.; Roy, J.; Stewart, W.F. Prediction modeling using EHR data: Challenges, strategies, and a comparison of machine learning approaches. Med. Care 2010, 48, S106–S113. 21 Wu, C.; Rosenfeld, R.; Clermont, G. Using data-driven rules to predict mortality in severe community acquired pneumonia. PLoS ONE 2014, 9, e89053. 22 Johnson, A.E.; Pollard, T.J.; Mark, R.G. Reproducibility in critical care: A mortality prediction case study. In Proceedings of the Machine Learning for Healthcare Conference, Boston, MA, USA, 18–19 August 2017; pp. 361–376. 23 Ahmed, Faisal, et al. "An evolutionary belief rule-based clinical decision support system to predict Covid-19 severity under uncertainty." Applied Sciences 11.13 (2021): 5810. 24 Jiang, X.; Coffee, M.; Bari, A.; Wang, J.; Jiang, X.; Shi, J.; Dai, J.; Cai, J.; Zhang, T.; Wu, Z.; et al. Towards an artificial intelligence framework for data-driven prediction of coronavirus clinical severity. Comput. Mater. Contin. 2020, 63, 537–551. 25 Batista, A.d.M.; Miraglia, J.; Donato, T.; Chiavegatto Filho, A.; de Moraes Batista, A.F.; Miraglia, J.L.; Donato, T.H.R.; Chiavegatto Filho, A.D.P. COVID-19 diagnosis prediction in emergency care patients: A machine learning approach. In Hospital Israelita Albert Einstein-Big Data Analytics M; Department of Epidemiology SoPH, University of Sao Paulo: São Paulo, Brazil, 2020. 26 Schwab, P.; Schütte, A.D.; Dietz, B.; Bauer, S. predCOVID-19: A Systematic Study of Clinical Predictive Models for Coronavirus Disease 2019. arXiv 2020, arXiv:2005.08302. 27 Alakus, T.B.; Turkoglu, I. Comparison of deep learning approaches to predict COVID-19 infection. Chaos Solitons Fractals 2020, 140, 110120. 28 Yip, S.S.; Klanecek, Z.; Naganawa, S.; Kim, J.; Studen, A.; Rivetti, L.; Jeraj, R. Performance and Robustness of Machine Learning-based Radiomic COVID-19 Severity Prediction. medRxiv 2020. 29 Chen, Y.; Ouyang, L.; Bao, F.S.; Li, Q.; Han, L.; Zhu, B.; Ge, Y.; Robinson, P.; Xu, M.; Liu, J.; et al. An Interpretable Machine Learning Framework for Accurate Severe vs. Non-Severe COVID-19 Clinical Type Classification. 2020. SSRN 3638427. 30 Yao, H.; Zhang, N.; Zhang, R.; Duan, M.; Xie, T.; Pan, J.; Peng, E.; Huang, J.; Zhang, Y.; Xu, X.; et al. Severity detection for the coronavirus disease 2019 (COVID-19) patients using a machine learning model based on the blood and urine tests. Front. Cell Dev. Biol. 2020, 8, 683. 31 Onari, Mohsen Abbaspour, et al. "A medical decision support system for predicting the severity level of COVID-19." Complex & Intelligent Systems (2021): 1-15. 32 Chockalingam S, Pieters W, Teixeira A, van Gelder P (2017) Bayesian network models in cyber security: a systematic review. In: Lecture notes in computer science (including subseries lecture notes in artificial intelligence and lecture notes in bioinformatics), vol 10674, pp 105–122. LNCS, Springer. https ://doi. org/10.1007/978-3-319-70290 -2_7. 33 Kahn CE, Roberts LM, Shaffer KA, Haddawy P (1997) Construction of a Bayesian network for mammographic diagnosis of breast cancer. Comput Biol Med 27(1):19–29. https ://doi.org/10.1016/ S0010 -4825(96)00039-X. 34 Pinheiro PR, De Castro AKA, Pinheiro MCD (2008) A multicriteria model applied in the diagnosis of Alzheimer’s disease: A Bayesian network. In: Proceedings—2008 IEEE 11th International Conference on Computational Science and Engineering, CSE 2008. IEEE, pp 15–22. https: //doi.org/10.1109/CSE.2008.44. 35 Özçift A, Gülten A (2013) Genetic algorithm wrapped Bayesian network feature selection applied to differential diagnosis of erythemato-squamous diseases. Digit Signal Process Rev J 23(1):230–237. https ://doi.org/10.1016/j.dsp.2012.07.008. 36 Bakhtavar E, Aghayarloo R, Yousefi S, Hewage K, Sadiq R (2019) Renewable energy based mine reclamation strategy: a hybrid fuzzy-based network analysis. J Clean Prod 230:253–263. https://doi.org/10.1016/j.jclep ro.2019.05.073. 37 Giabbanelli PJ, Torsney-Weir T, Mago VK (2012) A fuzzy cognitive map of the psychosocial determinants of obesity. Appl Soft Comput J 12(12):3711–3724. https ://doi.org/10.1016/j. asoc.2012.02.006. 38 Papageorgiou EI, Papandrianos NI, Apostolopoulos DJ, Vassilakos PJ (2008) Fuzzy cognitive map based decision support system for thyroid diagnosis management. In IEEE International Conference on Fuzzy Systems. IEEE, pp1204–1211. https ://doi.org/10.1109/FUZZY .2008.46305 24. 39 Bourgani, E., Stylios, C. D., Manis, G., & Georgopoulos, V. C. (2014). Time dependent fuzzy cognitive maps for medical diagnosis. In: Lecture notes in computer science (including subseries lecture notes in artificial intelligence and lecture notes in bioinformatics), vol 8445, pp 544–554. LNCS, Springer. https ://doi. org/10.1007/978-3-319-07064 -3_47. 40 Rezaee MJ, Yousefi S, Hayati J (2018) A decision system using fuzzy cognitive map and multi-group data envelopment analysis to estimate hospitals’ outputs level. Neural Comput Appl 29(3):761–777. https ://doi.org/10.1007/s0052 1-016-2478-2. 41 Rezaee MJ, Sadatpour M, Ghanbari-Ghoushchi N, Fathi E, Alizadeh A (2020) Analysis and decision based on specialist selfassessment for prognosis factors of acute leukemia integrating data-driven Bayesian network and fuzzy cognitive map. Med Biol Eng Comput 58(11):2845–2861. https ://doi.org/10.1007/s1151 7-020-02267-w. 42 Garg, A.X.; Adhikari, N.K.; McDonald, H.; Rosas-Arellano, M.P.; Devereaux, P.J.; Beyene, J.; Sam, J.; Haynes, R.B. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: A systematic review. JAMA 2005, 293, 1223–1238. 43 Tan, C.; Huang, Y.; Shi, F.; Tan, K.; Ma, Q.; Chen, Y.; Jiang, X.; Li, X. C-reactive protein correlates with CT findings and predicts severe COVID-19 early. J. Med. Virol. 2020, 92, 856–862. 44 Yadollahpour, A.; Nourozi, J.; Mirbagheri, S.A.; Simancas-Acevedo, E.; Trejo-Macotela, F.R. Designing and implementing an ANFIS based medical decision support system to predict chronic kidney disease progression. Front. Physiol. 2018, 9, 1753. 45 Finkelstein, J.; Cheol Jeong, I. Machine learning approaches to personalize early prediction of asthma exacerbations. Ann. N. Y. Acad. Sci. 2017, 1387, 153. 46 Harjai, S.; Khatri, S.K. An intelligent clinical decision support system based on artificial neural network for early diagnosis of cardiovascular diseases in rural areas. In Proceedings of the 2019 Amity International Conference on Artificial Intelligence (AICAI), Dubai, United Arab Emirates, 4–6 February 2019; pp. 729–736. 47 Schrag, A.; Siddiqui, U.F.; Anastasiou, Z.; Weintraub, D.; Schott, J.M. Clinical variables and biomarkers in prediction of cognitive impairment in patients with newly diagnosed Parkinson’s disease: A cohort study. Lancet Neurol. 2017, 16, 66–75. 48 Anooj, P. Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules. J. King Saud Univ. Comput. Inf. Sci. 2012, 24, 27–40. 49 Kong, G.; Xu, D.L.; Body, R.; Yang, J.B.; Mackway-Jones, K.; Carley, S. A belief rule-based decision support system for clinical risk assessment of cardiac chest pain. Eur. J. Oper. Res. 2012, 219, 564–573. 50 Wang, Y.M.; Yang, L.H.; Fu, Y.G.; Chang, L.L.; Chin, K.S. Dynamic rule adjustment approach for optimizing belief rule-base expert system. Knowl. Based Syst. 2016, 96, 40–60. 51 Velavan, T.P.; Meyer, C.G. Mild versus severe COVID-19: Laboratory markers. Int. J. Infect. Dis. 2020, 95, 304–307. 52 Yan, L.; Zhang, H.T.; Goncalves, J.; Xiao, Y.; Wang, M.; Guo, Y.; Sun, C.; Tang, X.; Jing, L.; Zhang, M.; et al. An interpretable mortality prediction model for COVID-19 patients. Nat. Mach. Intell. 2020, 2, 283–288. 53 Yang, J.B. Rule and utility based evidential reasoning approach for multiattribute decision analysis under uncertainties. Eur. J. Oper. Res. 2001, 131, 31–61. 54 Yang, J.B.; Liu, J.; Wang, J.; Sii, H.S.; Wang, H.W. Belief rule-base inference methodology using the evidential reasoning approach-RIMER. IEEE Trans. Syst. Man Cybern. Part Syst. Hum. 2006, 36, 266–285. 55 Hossain, M.S.; Rahaman, S.; Kor, A.L.; Andersson, K.; Pattinson, C. A belief rule based expert system for datacenter pue prediction under uncertainty. IEEE Trans. Sustain. Comput. 2017, 2, 140–153. 56 Price, K.; Storn, R.M.; Lampinen, J.A. Differential Evolution: A Practical Approach to Global Optimization; Springer Science & Business Media: Berlin/Heidelberg, Germany, 2006. 57 Zeng L, Ge Z (2020) Improved Population-Based Incremental Learning of Bayesian Networks with partly known structure and parallel computing. Eng Appl Artif Intell 95:103920. https ://doi.org/10.1016/j.engap pai.2020.10392 0. 58 Mittal A, Kassim A (eds) (2007) Bayesian network technologies: applications and graphical models: applications and graphical models. IGI Global. 59 Friedman N, Geiger D, Goldszmidt M (1997) Bayesian network classifiers. Mach Learn 29(2–3):131–163. https ://doi. org/10.1023/A:10074 65528 199. 60 Zhang X, Mahadevan S (2020) Bayesian network modeling of accident investigation reports for aviation safety assessment. Reliab Eng Syst Saf. https ://doi.org/10.1016/j.ress.2020.10737 1. 61 Tan X, Gao X, Wang Z, He C (2020) Bidirectional heuristic search to find the optimal Bayesian network structure. Neurocomputing. https ://doi.org/10.1016/j.neuco m.2020.10.049. 62 Cooper GF, Herskovits E (1992) A Bayesian method for the induction of probabilistic networks from data. Mach Learn 9(4):309– 347. https ://doi.org/10.1007/bf009 94110. 63 Heckerman D, Geiger D, Chickering DM (1995) Learning Bayesian networks: the combination of knowledge and statistical data. Mach Learn 20(3):197–243. https: //doi.org/10.1007/bf009 94016. 64 Kalkwarf B (2017) Search parameter optimization for discrete, Bayesian, and continuous search algorithms. Naval Postgraduate School Monterey United States. 65 GeNIe (2018) The Bayesian search algorithm description by GeNIe software. https ://suppo rt.bayes fusio n.com/docs/GeNIe. 66 Kosko B (1986) Fuzzy cognitive maps. Int J Man Mach Stud 24(1):65–75. https ://doi.org/10.1016/S0020 -7373(86)80040-2. 67 Rezaee MJ, Yousefi S, Babaei M (2017) Multi-stage cognitive map for failures assessment of production processes: an extension in structure and algorithm. Neurocomputing 232:69–82. https :// doi.org/10.1016/j.neuco m.2016.10.069. 68 Rezaee MJ, Yousefi S, Valipour M, Dehdar MM (2018) Risk analysis of sequential processes in food industry integrating multistage fuzzy cognitive map and process failure mode and effects analysis. Comput Ind Eng 123:325–337. https: //doi.org/10.1016/j. cie.2018.07.012. 69 Alizadeh A, Yousefi S (2019) An integrated Taguchi loss function–fuzzy cognitive map–MCGP with utility function approach for supplier selection problem. Neural Comput Appl 31(11):7595– 7614. https ://doi.org/10.1007/s0052 1-018-3591-1. 70 Abbaspour Onari M, Jahangoshai Rezaee M (2020) A fuzzy cognitive map based on Nash bargaining game for supplier selection problem: a case study on auto parts industry. Oper Res Int J. https ://doi.org/10.1007/s1235 1-020-00606. 71 Bakhtavar E, Valipour M, Yousefi S, Sadiq R, Hewage K (2020) Fuzzy cognitive maps in systems risk analysis: a comprehensive review. Complex Intell Syst. https: //doi.org/10.1007/s40747-020-00228-2. 72 Dickerson JA, Kosko B (1994) Virtual worlds as fuzzy cognitive maps. Presence Teleoperators Virtual Environ 3(2):173–189. https ://doi.org/10.1162/pres.1994.3.2.173. 73 Papageorgiou E, Stylios C, Groumpos P (2003) Fuzzy cognitive map learning based on nonlinear hebbian rule. In: Lecture notes in computer science (including subseries lecture notes in artificial intelligence and lecture notes in bioinformatics), vol 2903. Springer, pp 256–268. https ://doi.org/10.1007/978-3-540-24581-0_22. 74 Papageorgiou EI, Stylios CD, Groumpos PP (2004) Active Hebbian learning algorithm to train fuzzy cognitive maps. Int J Approx Reason 37(3):219–249. https ://doi.org/10.1016/j. ijar.2004.01.001. 75 Salmeron JL, Ruiz-Celma A, Mena A (2017) Learning FCMs with multi-local and balanced memetic algorithms for forecasting industrial drying processes. Neurocomputing 232:52–57. https :// doi.org/10.1016/j.neuco m.2016.10.070. 76 Salmeron JL, Mansouri T, Moghadam MRS, Mardani A (2019) Learning fuzzy cognitive maps with modified asexual reproduction optimisation algorithm. Knowl Based Syst 163:723–735. https ://doi.org/10.1016/j.knosy s.2018.09.034. 77 Yousefi S, Jahangoshai Rezaee M, Moradi A (2020) Causal effect analysis of logistics processes risks in manufacturing industries using sequential multi-stage fuzzy cognitive map: a case study. Int J Comput Integr Manuf 33(10–11):1055–1075. https ://doi. org/10.1080/09511 92X.2020.17476 41. 78 National Health Commission (2020) Diagnosis and treatment protocol for novel coronavirus pneumonia (Trial Version 7). Chin Med J (Engl) 133(9):1087–1095. 79 Abbaspour Onari M, Yousefi S, Jahangoshai Rezaee M (2020) Risk assessment in discrete production processes considering uncertainty and reliability: Z-number multi-stage fuzzy cognitive map with fuzzy learning algorithm. Artif Intell Rev. https :// doi.org/10.1007/s1046 2-020-09883-w. 80 kaggle. https://www.kaggle.com/. 81 Almi’Ani M, Ghazleh AA, Al-Rahayfeh A, Razaque A (2018) Intelligent intrusion detection system using clustered self organized map. In: 2018 5th International Conference on Software Defined Systems, SDS 2018. Institute of Electrical and Electronics Engineers Inc., pp 138–144. https ://doi.org/10.1109/ SDS.2018.83704 35. 82 Rezaee MJ, Eshkevari M, Saberi M, Hussain O (2021) GBKmeans clustering algorithm: An improvement to the K-means algorithm based on the bargaining game. Knowl Based Syst 213:106672. https ://doi.org/10.1016/j.knosy s.2020.10667 2. 83 Dadkhah M, Rezaee MJ, Chavoshi AZ (2018) Short-term power output forecasting of hourly operation in power plant based on climate factors and effects of wind direction and wind speed. Energy 148:775–788. 84 Geach JE (2012) Unsupervised self-organized mapping: a versatile empirical tool for object selection, classification and redshift estimation in large surveys. Mon Not R Astron Soc 419(3):2633–2645. https ://doi.org/10.1111/j.1365-2966.2011.19913.x. 85 QGeNIe Modeler (2020) User Manual (n.d.). 86 Clerc M, Kennedy J (2002) The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE Trans Evol Comput 6(1):58–73. https ://doi. org/10.1109/4235.98569 2. 87 Психология безопасности труда / Укладач Кальянов А.В. // Донецкий областной совет профсоюза, 2008. – 32 с. 88 Вовк, Андрій Іванович. Методика організації роботи розподіленої Agile команди у великих ІТ-проектах. MS thesis. 2020. 89 Сьогодні UA. https://www.segodnya.ua/lifestyle/fun/pochti-kak-u-google-chemudivlyayut-ofisy-ukrainskih-it-kompaniy--764025.html. 90 Яблуновська, Катерина Олександрівна. "Безпека життєдіяльності. Ч. 1. Безпека життєдіяльності людини у середовищі існування." (2021). |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 124 — системний аналіз |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| SAm-61_Bodnar_R_I.pdf | 2,91 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора