Identificação da Delimitação Administrativa da Malária usando Redes Neurais Artificiais
DOI:
https://doi.org/10.22579/20112629.547Palavras-chave:
Clustering, Malária Urban, Mapa Auto Organizado Kohonen, Redes Neurais ArtificiaisResumo
A Metodologia de Clustering foi usada para agrupar três bairros em Quibdo, Colômbia, levando em consideração fatores que favorecem o desenvolvimento da malária. Mapas auto-organizados de Kohonen foram utilizados para a análise das características mais significativas no agrupamento. Os Clusters detectados foram comparados com o agrupamento geográfico de casas, mostrando que os mapas auto-organizados de Kohonen agrupam as casas pelas condições ambientais favoráveis ao desenvolvimento do mosquito e não pelo agrupamento administrativo da cidade.Downloads
Referências
SIVIGILA (2016) Boletín Epidemiológico Semanal. Semana epidemiológica número 52 de 2016 (25 al 31 de diciembre).
Padilla JC, Chaparro PE, Molina K, Arevalo-Herrera M, Herrera S (2015) Is there malaria transmission in urban settings in Colombia? Malaria journal 14: 453
DEPARTAMENTO ADMINISTRATIVO NACIONAL DE ESTADÍSTICA, DANE. División Político-administrativa de Colombia, años 2000, 1997, 1992, 1988, 1983, y 1970.
Beier, J. C. (1998). Malaria parasite development in mosquitoes. Annual review of entomology, 43(1), 519-543.
González, R.; Carrejo. (2007) N. Claves y notas de distribución. Universidad del Valle; Cali. Introducción al estudio taxonómico de Anopheles de Colombia; p. 237.
Montoya-Lerma, J., Solarte, Y. A., Giraldo-Calderón, G. I., Quiñones, M. L., Ruiz-López, F., Wilkerson, R. C., & González, R. (2011). Malaria vector species in Colombia: a review. Memórias do Instituto Oswaldo Cruz, 106, 223-238.
Peña Daniel, (2002). Análisis de datos multivariados.
Anderson, J. (2007). Redes Neuronales. Alfaomega.
Caicedo, Eduardo y López, Jesús (2009). Una aproximación práctica a las redes neuronales artificiales.
Gómez, Fernández, López y Díaz. Aprendizaje con Redes Neuronales Artificiales.
Flórez, Raquel y Fernández, José (2008). LAS REDES NEURONALES ARTIFICIALES, FUNDAMENTOS TEORICOS Y PLICACIONES PRACTICAS.
T. Kohonen, “The self-organizing map,” Proceedings of the IEEE, vol. 78, no. 9, pp. 1464–1480, 1990. [2] T Kohonen, “Self-Organizing Maps,” Berlin/Heidelberg, Germany: Springer, 30, 1995.
A.K. Jain, M.N. Murty, P. 1. Flynn, “Data clustering: A review,” ACM Computing Surveys, vol. 31, pp. 264-323, September 1999.
F. Z. Chelali, A. Djeradi and N. Cherabit, “Investigation of DCT/PCA combined with Kohonen classifier for human identification,” 2015 4th International Conference on Electrical Engineering (ICEE), Boumerdes, 2015, pp. 1-7.
I. Hammami, G. Mercier and A. Hamouda, “The Kohonen map for credal classification of large multispectral images,” 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, QC, 2014, pp. 3706-3709.
H. Jinliang, Y. Caiqing, L. Jiansheng and S. Jianjing, “Research on Clinical Diagnostic Models of IPF Syndromes in TCM Based on Dynamic Kohonen Network and Decision Tree,” 2010 Second WRI Global Congress on Intelligent Systems, Wuhan, 2010, pp. 107-110.
S. F. Baracho, V. V. d. Melo and R. C. Coelho, “Automated Left Ventricle Posterior Wall Segmentation Using Kohonen Self-Organizing Map,” 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), Recife, 2016, pp. 456-461.
I. Hammami, G. Mercies and A. Hamouda, “The Kohonen map for credal fusion of heterogeneous data,” 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, 2015, pp. 2947-2950.
