پيش بيني بيماري ديابت مبتني بر بالك چين با استفاده از تركيب الگوريتم هاي شبكه عصبي مصنوعي و الگوريتم بهينه سازي ازدحام ذرات در بستر محاسبات مه

محاسبات مه نوعي زيرساخت غيرمتمركز است كه در آن منابع محاسباتي بين منبع داده و مركز داده يا ابر قرار گرفته و داده ها از دستگاههاي IoT به صورت بالدرنگ در اختيار گره ها قرار ميگيرند. اين محاسبات نسبتاً ايمن تر از محاسبات ابري است، زيرا اطلاعات به سرعت ذخيره مي شوند و نزديك به منابع داده در گره هاي مه محلي ارزيابي مي شوند. همچنين فناوري بالك چين توانايي افزايش اعتبار و مشروعيت داده ها را فراهم مي كند. اين مقاله مدلي براي پيش بيني بيماري ديابت مبتني بر بالك چين با استفاده از تركيب الگوريتم هاي شبكه عصبي مصنوعي و الگوريتم بهينه سازي ازدحام ذرات در بستر محاسبات مه پيشنهاد مي كند. همچنين به منظور كاهش پيچيدگي مدل پيشنهادي ويژگي هاي برتر داده هاي ورودي را توسط الگوريتم بهينه سازي ازدحام ذرات استخراج كرديم. نتايج نشان مي دهد كه تشخيص بيماران ديابتي توسط شبكه عصبي مصنوعي مبتني بر بهينه سازي ازدحام ذرات تا حد زيادي از دقت قابل قبولي برخوردار است. صحت تشخيص 1.97 %براي داده هاي آزمايش نشان ميدهد كه اجراي مدل هاي شبكه عصبي مصنوعي مبتني بر بهينه سازي ازدحام ذرات به عنوان ابزاري بسيار معتبر ، كارآمد و كاربردي در تشخيص بيماران ديابتي قابل استفاده است.