一种新的分布式2模糊逻辑方法，用于医学信息学的高效数据科学模型

摘要

本文旨在提出一种机器学习模型的分布式方法及其在医学数据分析中的应用。医学领域面临的最大挑战是提供一种可扩展的图像处理模型，将计算处理需求与计算辅助医疗决策相结合。提出的模糊逻辑方法是基于二类模糊逻辑算法的分布式方法，并将高性能计算和认知方面融合在一个模型上。据此，该方法被分配用于医疗保健应用的大数据分析和数据科学预测模型。本文重点研究了分布式2型模糊逻辑(DT2FL)方法及其在大规模并行分布式虚拟移动代理架构下的MRI数据分析中的应用。文中给出了一些实验结果，证明了该方法的准确性和有效性。

1.介绍

今天，计算机科学技术应用人工智能和数据科学模型来设计新的智能应用，如欺诈检测和推荐引擎。这些应用程序必须处理大数据集，需要对这些数据集进行处理，以提取有意义的信息和预测未知的模式。为此，他们引入了基于分类和聚类算法等复杂算法的机器学习模型。

考虑到这些应用程序必须处理的大量非结构化数据集和复杂的算法。它们的效率取决于它们应对这些挑战的能力。例如，运行用于图像分析的医疗应用程序需要高处理能力和可扩展的聚类方法。聚类算法广泛应用于医学领域，已被许多研究者用于MRI图像分类。作为例子，他们在[1的MPI工具在并行SPMD架构上集群大型数据集。2］．对于2型模糊，提出了一些并行实现方法，如[3.]超过FPGA技术。分布式聚类方法的问题可以改善大数据分析，并提供有效的决策模型工具。考虑基于聚类方法的医疗大数据分析和决策模型的大量要求。本文集中于基于分布式2模糊方法呈现合作机器学习模型，这些模糊方法结合了计算处理要求和认知方面。本文组织如下：我们将描述基于机器的机器学习模型的移动代理及其主要组件，这些组件是团队领导者代理和AVPES代理（部分3.）我们将重点介绍提出的分布式DT2FL方法(章节4.）通过医学图像分析申请表明其有前途的优势（部分5.）

2.背景

为了突出本文的目的，我们首先简要概述机器学习模型[4.那5.以及他们进行预测、模式识别和决策的能力。这些模型通过教学行为为计算机提供了从数据集学习的能力，并引导人类向计算机传递他们的专业知识，以设计和实现智能系统，而这些系统并没有明确的编程。之后，它们能够与人类合作并带来相关的解决方案。例如，在银行业，机器学习模型的实现是为了提供一个能够检测欺诈交易的欺诈检测系统。它也被应用于社交媒体的人脸识别和商业上的产品推荐给客户。因此，有三种机器学习方法，每一种都处理特定类型的问题。监督学习:这类算法从训练数据集学习，以预测结果，输出结果在训练过程中给出无监督学习:这种类型的算法不使用训练数据集就能找到模式。这些算法的例子是聚类和异常检测加固学习：这种类型的算法根据其过去的经验做出决定

聚类算法基于复杂的计算任务和大的数据集。它们有各种各样的应用，如图像分割、医学成像和异常检测。因此，这些方法似乎在设计和实现有效的机器学习模型中发挥了重要作用。这意味着它们的性能取决于集群的算法可伸缩性。分布式聚类方法是一种允许在分布式节点上执行任务的新范式。假设任务T.需要在大数据集上执行任务T.将被分成两个全局任务，一个由主机节点执行，另一个由模型中的所有从节点执行。此外,数据D.也将被分成（Me×Ne）基本数据DJ.{j= 1，…，(me × ne)}，通过执行协同聚类任务的方式分布到节点上。

多主体系统(MAS) [6.]是一种分布式技术系统，它由一组分布式agent组成，这些agent在不同的环境中利用它们的智能和技能彼此生活和合作，以克服复杂的挑战。例如，在[7.，作者提出了一个基于代理三层架构的平台，以促进家庭护理服务的提供。在 [8.[作者]作者提出了基于多层架构的医学推理系统的时间效率的提高。因此，分布式聚类范式和移动代理如何是可扩展聚类方法和机器学习模型的有希望的解决方案？

3.数据分析的自治模糊逻辑模型

分布式2型模糊逻辑方法是一种新的高效、准确的机器学习模型(图2)1）用于在分布式系统中执行医疗应用。该提出的方法基于协作移动代理作为代理虚拟处理元件（AVPE），以便通过分布式虚拟体系结构执行复杂的计算任务和处理密集型数据集。聚类技术是需要密集的计算能力的无监督机器学习方法之一。该方法提供了这些要求的计算能力。虽然，计算团队的认知方面增强了方法特征，以便提供准确的医学决策。例如，为了执行基于MRI图像分段的类型-2模糊群集方法，当部署应用程序时，将创建协作DT2FL团队的工作。其主要组成部分是团队领导者和AVPES（代理虚拟处理元素）代理。Team Leadent代理由输入数据集初始化，该数据集被分区（ME×NE）基本图像并部署NA =（ME×NE）AVPES代理。每个AVPE代理都封装了其数据集并实现了任务并将结果发送到他们的团队领导者代理。最后，团队领导者获得最终结果，用于准确的医学诊断。 This is performed by the team leader agent under an embedded model, which enables autonomous detection of medical diseases and healthcare prediction (Figure1)．

4.2型分布模糊逻辑方法

4．1.标准方法

二类模糊算法[9.]是模糊C型算法的扩展版本，基于对C集群的数据群集的方法概念。除此之外，Type-2模糊方法集成了分配给隶属矩阵的新成员矩阵AIJ。该方法将类中心的收敛性授予与模糊C型方式相比噪声存在下的准确值，并且最小化以下等式给出的目标函数J：

在每次迭代中，新的类中心和隶属矩阵分别由以下公式计算:

基于标准的Type-2模糊算法的数据集聚类(图2)是根据以下算法的步骤实现的:步骤1:初始化(i)初始化模糊化参数。(ii)选择集群数量C．(iii)初始化集群中心 和阈值E._th．为每个迭代T.{步骤2:确定隶属矩阵(i)确定隶属矩阵你_ij由(4.)．(ii)确定隶属矩阵一种_ij由(3.)．步骤3:计算目标函数j由(1)．步骤4:收敛测试如果(|j_T.−j_T.-1| <E._th）  the algorithm converges (i.e. go to step 6).其他的  go to step 5.步骤5:计算新的班级中心由(2)，并重复第2步的循环。步骤6:结束。}

4．2.分布式方法

本节研究提出的分布式2型模糊算法(DT2FL)及其在基于移动代理的协同分布式虚拟体系结构中的实现。机器学习模型的输入数据集被加载到一个大小为me × ne的虚拟架构中。在模型中，每个代理虚拟处理元素(AVPE(g))处理其分配的基本数据集ed(e)，并执行不同的算法步骤。在分布式网格计算中，由团队领导代理与AVPEs代理并行协作完成计算算法的步骤。本文提出的DT2FL算法涉及初始化、网格构建和分布式2型模糊聚类3个步骤，如图(图)所示3.)，详情如下:

4.2.1。准备步骤1:初始化

在这一步中，组长代理由所需算法的输入初始化:数据集簇数cColumn Ne和Line ME所需的值，用于创建大小的AVPE网格（ME，NE）

4.2.2。步骤2:网格构建

在这一步中，团队领导代理首先对输入数据集进行分区D.进入一组(me × ne)基本数据集。然后，它部署NA = (me × ne) AVPE代理，这些代理由基本数据集初始化(图4.)，每AVPE(g) 1个。当执行它时，每个AVPE(g)移动到其适当的分布式节点，在那里它应该执行它的任务。

4.2.3。步骤3:分布式二类模糊聚类

在这一步骤中，团队领导者代理选择了最初的课堂中心（一世= 1，…，c)和阈值E._th，而每个AVPE(g)封装任务并加载其基本数据集E.．

为每个迭代T.那{1:班长代理将班中心发送到所有的avpe。 2: each agent AVPE(g) gets the class centers from its message and performs the distributed elementary clustering task. Besides, each one determinates the membership matrix你_ij,一种_ij，并将结果der1，der2和der3发送给团队领导者代理。这些结果包括以下组件： 哪里der1（ ）包含（ ）计算为每个班级中心一世．Der2（ ）包含（一种^m)为每个班级中心计算一世．der3（g）包含（ ）计算所有类中心。迪是基本数据集的数据数吗E.AVPE（g）。

3:组长代理执行全局聚类任务，分以下三个子任务:

组装基本结果:组长代理接收AVPEs结果(DER1, DER2, DER3)并计算全局结果GDER1, GDER2, GDER3: GDER1 (一世）是Der1的全球价值（ ）模型的所有AVPE。Gder2（一世）是Der2的全球价值（ ）模型的所有AVPE。Gder3（一世)为DER3的全局值( ）模型的所有AVPE。

班级中心计算:由组长代理计算新的班级中心通过()得到计算出的全局值GDER1(i)和GDER2(i)11）

计算目标函数j_T.:团队领导agent通过(12）

5.实现和结果

基于机器学习模型的分布式-2模糊逻辑在分布式计算虚拟机中实现，用于运行MRI医学图像分析应用。输入数据集（MRI Image）封装在团队负责人的代理上并分区为基本图像。创建网格计算后，团队负责人与AVPES代理商合作，将执行分布式方法任务并提供结果，图5.．在动态收敛和算法加速的条件下，证明了该方法的有效性。

5.1。动态收敛

建议的DT2FL方法用不同的初始类中心初始化执行。收敛结果如下所示：(c1, c2, c3, c4, c5)=（1.5,2.2,3.8,5.2,8.6）:从表1和图6.，很明显，算法的动态收敛到最终类中心(c1, c2, c3, c4, c5) =(27。711, 82.848, 89。817, 103.896, 94。371)。经过23次迭代得到了收敛性。(c1, c2, c3, c4, c5)=（140.5,149.5,150.5,220.2,250.5):算法收敛到最终的类中心(c1, c2, c3, c4, c5) =(27.703,82。955年,89年。623, 103.884, 94.263)，经过49次迭代，如表所示1和图7.．

5.2。聚类时间

为了说明所提出的数据分析模型的有效性，在[中提出的DT2FL方法和DFCM方法之间进行比较研究[10]，通过使用聚类时间变化作为根据AVPES代理的度量。

从表2，我们可以清楚地看到，使用一个agent的DT2FL方法的聚类时间与顺序方法相对应。的确，从图中我们可以清楚地看到8.两种方法都节省了聚类时间，并从16个AVPE代理中获得最小值。

5．3.加速

与顺序方法相比的分布式方法的加速如图所示9.．实际上，我们可以清楚地看到，与连续方法相比，两种方法使用16个AVPE代理，加速达到了有趣的值。

6.相关工作

这项工作的主要重点是提出一种分布式方法，用于大数据分析和医学图像诊断。该方法使用了基于移动代理的模型和类型模糊逻辑算法的分布式方法。

2型模糊逻辑方法理论与应用[11那12]为基于数据不确定性的复杂系统建模提供了该方法的重要特点和未来发展方向。它是由Zadeh提出的[13，它是有效模拟人类感知的方法之一[13[与模糊类型-1相比，增强了建模不确定性的情况下，[14］．这种方法在不同领域的文学中的几种鼓舞人心中有很大的兴趣。例如，在医疗域中，实现了此方法[15开发一种自动肿瘤检测系统。它也被广泛研究用于医学图像分割[16]及资料分类应用[17将其与小波相结合。T.he method has taken place as well as in image processing [18，模式识别域[19］．2型模糊方法在医学应用方面有很大的兴趣[20.]作决定之用[21，其中该方法嵌入了神经网络模型。为了说明这一点，[22]提出了一种基于神经网络和1型、2型模糊系统的2导联心律失常混合分类模型。因此，2型模糊驱动器在医学和其他几个领域，如在[23-33］．

在 [27]作者提到了认知代理人处理复杂任务的能力的巨大作用。它们制定，实施和评估认知代理，该认知剂将学习与机器学习相结合。基于模糊的逻辑的代理方法也是不同作品的目的。在 [28[作者]作者提出了包括模糊协商，包括模糊协商的多验模型预测控制，其在基于Java的平台中实现。还调查了[29]，用于设计和实现在信息丰富、模糊或不精确时进行信息提取的智能方法。进一步研究了交通领域问题的多智能体解决方法，[30.]，并供作出维修决定之用[31]，并为有效的协调方案[32基于2型模糊决策。模糊逻辑和多智能体方法这两方面的结合，提供了很有前途的解决方案，使标准的2型模糊逻辑算法扩展到一个新的基于多智能体体系结构的分布式算法。也就是说,在33“作者提出了一种用于设计分层间隔类型-2β模糊系统的多层架构。

因此，这些作品的基础是以以下方式开发的。本文提出的分布式2-2模糊逻辑基于多重方法，实现给定的属性：可扩展的医学MRI图像分析方法，基于2型模糊逻辑算法的分布式方法，在移动代理内:该方法在其计算2型模糊聚类模型内提供快速的分布式数据分析。基于机器学习模型的2型模糊逻辑用于医学应用：该方法允许在其嵌入的认知决策模型中进行深度数据分析。自主和混合模糊逻辑系统的两个组合模型:HPC计算智能医疗数据分析和认知决策。该方法的认知方面，结合HPC集群需求，为医疗应用提供了一个强大的系统。

7.结论

本文提出了一种分布式2型模糊逻辑方法及其在MRI医学图像分析中的应用。该方法在基于机器学习模型的移动代理上实现。计算结果验证了该方法的准确性和有效性。也就是说，它可以满足科学家和工程师测试和实现他们的模型的数据需求。实际上，DT2FL方法提供了机器学习模型的适应性方面。因此，它可以降低模糊聚类算法的复杂性，为医疗应用建模灵活和高性能的系统。在深度学习技术及其在云计算中的实现的基础上，设计了基于该方法的医疗保健应用专家系统。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

的利益冲突

作者声明本文的发表不存在利益冲突。

参考

1. S.Rahimi，M. Zargham，A.Thakre和D. Chhillar，“用于模糊信息的平行模糊C均值算法”，在模糊信息中“IEEE模糊信息年会论文集，2004。处理NAFIPS 04年，第1卷，234-237页，加拿大阿尔伯塔省班夫，2004年6月。视图:出版商的网站|谷歌学术搜索
2. T. Kwok, K. Smith, S. Lozano和D. Taniar，大数据集的并行模糊c -均值聚类，斯普林斯，柏林，德国，2002年。视图:出版商的网站
3. M. a . Melgarejo和C. a . Peña-Reyes，“2型模糊系统的硬件架构和FPGA实现”，发表于第14届ACM大湖泊研讨会上的诉讼程序，pp.458-461，波士顿，马，美国，2004年。视图:出版商的网站|谷歌学术搜索
4. S. G. Andreas和C.Müller，Python机器学习入门:数据科学家指南， O 'Reilly Media，加州塞瓦斯托波尔，美国，2016年第1版。
5. R. Sebastian和M. Vahid，Python Machine Learning: Machine Learning and Deep Learning with Python, Scikit-Learn和TensorFlow，包，伯明翰，英国，2017年第二版。
6. F. Bellifemine，G. Caire和D. Greenwood，用JADE开发多agent系统，威利，西苏塞克斯，英国，2007。
7. D. Isern, A. Moreno, D. Sánchez， Á。Hajnal, G. Pedone和L. Z. Varga，“基于代理人的个性化家庭护理治疗执行，”应用智能，卷。34，没有。2，pp。155-180,2011。视图:出版商的网站|谷歌学术搜索
8. 一种。Rodríguez-González, J. Torres-Niño, G. Hernández-Chan, E. Jiménez-Domingo, and J. M. Alvarez-Rodríguez, “Using agents to parallelize a medical reasoning system based on ontologies and description logics as an application case,”专家系统与应用第39卷第3期18, pp. 1385 - 1392, 2012。视图:出版商的网站|谷歌学术搜索
9. F. C. H. Rhee和C. Hwang， " A type-2 fuzzy C-means clustering algorithm， " in第九届IFSA世界大会和第20届NAFIPS国际会议(Cat。01 th8569)，PP。1926-1929，加拿大温哥华，2001年7月。视图:出版商的网站|谷歌学术搜索
10. F. Z. Benchara, M. Youssfi, O. Bouattane和H. Ouajji，“一种新的可扩展的、分布式的、基于模糊c均值算法的HPC: SPMD应用的移动代理方案”，电脑，第5卷，第5期。3, 2016。视图:出版商的网站|谷歌学术搜索
11. R. John和S. Concemand，“2型模糊逻辑：历史观点，”IEEE计算智能杂志，第2卷，第2期1，页57-62,2007。视图:出版商的网站|谷歌学术搜索
12. O. Castillo和P. Melin，二类模糊逻辑:理论与应用，施普林格出版公司，柏林，德国，第1版，2008。
13. 从用数字计算到用文字计算。从测量的操作到感知的操作，”IEEE电路与系统汇刊I:基础理论与应用第46卷，第46期1，第105-119页，1999。视图:出版商的网站|谷歌学术搜索
14. R. John和S. Concemand，“1型模糊逻辑的扩展：2型模糊逻辑和不确定性”在计算智能中：原则和实践，第89-102页，IEEE计算智能学会，2006。视图:谷歌学术搜索
15. M. Zarinbal, M. H. Fazel Zarandi, I. B. Turksen, M. Izadi，“用于诊断脑肿瘤的2型模糊图像处理专家系统”，医学系统杂志第39卷第3期10，第110页，2015。视图:出版商的网站|谷歌学术搜索
16. o.m.d.s. A. Begum，《磁共振图像分割的2型模糊聚类算法》，国际计算机应用杂志第54卷第5期4, pp. 4 - 10, 2012。视图:谷歌学术搜索
17. T. Nguyen, A. Khosravi, D. Creighton，和S. Nahavandi，“使用区间2型模糊逻辑系统和小波的医疗数据分类”，应用软计算， vol. 30, pp. 812-822, 2015。视图:出版商的网站|谷歌学术搜索
18. C. i.g, G. E. M. Oscar Castillo和M. A. Sanchez，“最近二类模糊图像处理应用综述”，信息，第8卷，第2期3, 2017。视图:出版商的网站|谷歌学术搜索
19. P. Melin和O. Castillo，“二类模糊逻辑在分类和模式识别中的应用综述”，专家系统与应用，第40卷，第5期。13, pp. 5413-5423, 2013。视图:出版商的网站|谷歌学术搜索
20. a . Mardani, R. E. Hooker, S. Ozkul et al，“决策和模糊集理论在医疗保健和医疗问题评估中的应用:对30年研究和最近发展的回顾，”专家系统与应用，卷。137，pp。202-231,2019。视图:出版商的网站|谷歌学术搜索
21. T.-Y。陈,学术界。常,肯尼迪。基于区间2型模糊集的多准则决策分析的扩展QUALIFLEX方法及其在医疗决策中的应用欧洲运营研究杂志第226卷第226期3, pp. 615-625, 2013。视图:出版商的网站|谷歌学术搜索
22. E. Ramirez, P. Melin，和G. Prado-Arechiga，“基于神经网络的混合模型，2型和1型模糊系统用于2导心律失常分类”，专家系统与应用， vol. 126, pp. 295-307, 2019。视图:出版商的网站|谷歌学术搜索
23. A.Kousar，N.Mittal和P. Singh，使用Type-2模糊逻辑BT改进移动无线传感器网络的改进的分层聚类方法，“ICETIT 2019年会论文集，春天，秋，瑞士，2020。视图:谷歌学术搜索
24. 赵军，刘勇，王磊，“一类广义异构型模糊分类器及其应用，”模糊系统学报第1页，2019年。视图:出版商的网站|谷歌学术搜索
25. M. Dirik, O. Castillo, and A. F. Kocamaz，《使用2型模糊逻辑的自主移动机器人的视线引导控制》，应用制度创新，第2卷，第2期2、2019。视图:出版商的网站|谷歌学术搜索
26. F.Cuevas，O. Castillo和P Cortes，“朝着自主移动机器人的2型模糊逻辑的控制策略”控制、模式识别和医学中的混合智能系统，计算智能研究O. Castillo, Ed.P。Melin, Ed.，第827卷，施普林格，Cham，瑞士，2020。视图:谷歌学术搜索
27. A. Gkiokas和A. I. Cristea，《举例说明认知代理和机器学习:概念图的表示》，计算智能， vol. 34‐2,pp. 603-634, 2018。视图:出版商的网站|谷歌学术搜索
28. M. Francisco，Y. Mezquita，S. Revollar，P. Vega和J.F. de Paz，“多助理分布式模型预测控制与模糊谈判”，专家系统与应用，第129卷，第68-83页，2019。视图:出版商的网站|谷歌学术搜索
29. J. Ropero，A.Gómez，A.Carrasco和C.León，“信息提取的模糊逻辑智能代理：引入了一种新的基于模糊逻辑的术语加权方案”专家系统与应用第39卷第3期4，PP。4567-4581,2012。视图:出版商的网站|谷歌学术搜索
30. B. Sabetghadam, F. Shabaninia, M. Vaziri, and S. Vadhava， " Type-2 fuzzy multiagent traffic signal control "， in第13届IEEE信息重用与集成国际会议论文集，第509-512页，拉斯维加斯，内华达州，美国，2012年8月。视图:出版商的网站|谷歌学术搜索
31. K.-Y。陆和c c。Sy， "使用模糊代理的实时维修决策"专家系统与应用第36卷第2期2, pp. 2691-2698, 2009。视图:出版商的网站|谷歌学术搜索
32. P. G.Balaji，D. Srinivasan和C. Tham，“使用2型模糊决策系统”分布式多助理系统协调“，”2008年IEEE模糊系统国际会议论文集，页2291-2298，中国香港，2008年6月。视图:出版商的网站|谷歌学术搜索
33. Y.Jarraya，S. Bouziz，H. Hagras和A. M. Alimi，“一个多功能架构，用于设计分层间隔类型-2 Beta模糊系统”，模糊系统学报第27卷第2期6，页1174-1188,2019。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2020 Fatéma Zahra Benchara和Mohamed Youssfi。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。