دانلود مقاله انگلیسی رایگان:پیشگیری از فراوانی مالاریا بر اساس شبکه عصبی مصنوعی با استفاده از داده های بزرگ: رویکرد جذب دانش - 2018

محرم

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Artificial neural network based prediction of malaria abundances using big data: A knowledge capturing approach Artificial neural network based prediction of malaria abundances using big data: A knowledge capturing approach
    Artificial neural network based prediction of malaria abundances using big data: A knowledge capturing approach

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Artificial neural network based prediction of malaria abundances using big data: A knowledge capturing approach


    ترجمه فارسی عنوان مقاله:

    پیشگیری از فراوانی مالاریا بر اساس شبکه عصبی مصنوعی با استفاده از داده های بزرگ: رویکرد جذب دانش


    منبع:

    Sciencedirect - Elsevier - Clinical Epidemiology and Global Health,Corrected proof,doi:10:1016/j:cegh:2018:03:001


    نویسنده:

    Thakur Santosh, Dharavath Ramesh⁎


    چکیده انگلیسی:

    Background and objective: Malaria is one of the most prevalent diseases in urban areas. Malaria flourishes in subtropical countries and affect the public health. The impact is very high, where health monitoring facilities are very limited. To minimize the impact of malaria population in sub-tropical domains, a suitable disease prediction model is required. The objective of this study is to determine the malaria abundances using clinical and environmental variables with Big Data on the geographical location of Khammam district, Telanagana, India. Methods: Prediction model is based on the data collected from primary health centres of department of vector borne diseases (DVBD) of Khammam district and satellite data such as rain fall, relative humidity, temperature and vegetation taken for the time period of 1995–2014. In this study, we test the efficacy of the artificial neural network (ANN) for mosquito abundance prediction. Prediction model was developed for the period of 2015 using a feed forward neural network and compared with the observed values. Results and conclusions: The results vary from area to area based on clinical variables and rainfall in the prediction model corresponding to areas. The average error of the prediction model ranges from 18% to 117%. Clinical data such as number of patients treated with symptoms and without symptoms can improve the prediction level when combined with environmental variables. We perform preliminary findings of malaria abundances by collecting clinical big data across different seasons. Further, more exploration is required in prediction of malaria using big data to improve the accuracy in real practice. In this manuscript, we perform some preliminary findings of malaria abundances by collecting larger data across different seasons. Till today, many models have been developed to examine the malaria prediction with different approaches, but malaria prediction with environmental and clinical data is a new approach with big data analysis.
    Keywords: Malaria prediction ، Primary health centers (PHCs) ، Big data ، Artificial neural networks (ANNs)


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 6
    حجم فایل: 444 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer