臺灣博碩士論文加值系統

近年來，不論是台灣的流行醫學統計，或是全球性資料統計，糖尿病與癌症的發生率與盛行率都呈現增加的趨勢，而糖尿病和肺癌都是慢性疾病。根據衛生福利部2017的統計，國人十大死因排名中惡性腫瘤(癌症)和糖尿病分別為第一名和第五名，而肺癌為癌症死因第一名。根據流行醫學的報告顯示，糖尿病可能是導致癌症產生與預後之高風險因子。
研究利用台灣近年某醫療機構資料庫中，以糖尿病患者之病歷資料為主要研究對象，透過蒐集相關文獻，並與專業醫師訪談後，挑選出影響糖尿病患者罹患肺癌之風險因子，利用基因邏輯斯迴歸演算法(GALR)、交叉熵演算法(CE)及粒子群最佳化演算法(PSO)計算因子之權重，將權重值結合於倒傳遞類神經網路(BPN)、支援向量機(SVM)與案例式推理(CBR)，建構預測模型與評估系統，最後透過交互驗證與統計檢定來評估各模型間是否存在差異性。
本研究之六個預測模型平均準確率(ACC)皆達89%以上，且平均ROC曲線下面積(AURC)也在0.83以上，經傅利曼檢定有顯著差異，以PSO+SVM為最佳，再由T檢定分析後，三種預測模型PSO+BPN、PSO+SVM和GALR+SVM間並無顯著差異，因此這三種預測模型的效果一樣好；評估系統方面，經傅利曼檢定有顯著差異，再由T檢定分析後，三種演算法所結合CBR間有顯著差異，以PSO+CBR評估系統為最佳，平均ACC為91.44%而平均AURC為0.882。研究可供醫療相關機構、病患及臨床工作者做為醫療評估之參考依據。

In recent years, both Taiwan’s epidemiological and global statistics show an increasing trend in the incidence and prevalence of diabetes and cancer, as diabetes and lung cancer are both chronic diseases. According to the statistics by the Ministry of Health and Welfare in 2017, malignant tumor (cancer) and diabetes are respectively ranked the first and the fifth among the top ten causes of mortality, in which lung cancer is the leading cause of cancer death. Based on the epidemiological report, diabetes may be the high-risk factor of poor prognosis and the cause of tumor incidence.
This study used medical records of diabetic patients from the database of a medical institution in Taiwan in recent years as the primary research subjects. Through literature collection and interviews with professional physicians, risk factors, which affect diabetic patients from getting lung cancer were selected. The weight of each factor was calculated via Genetic Algorithms-Logistic Regression (GALR), Cross Entropy (CE) and Particle Swarm Optimization (PSO). The weighted values were then combined with Back Propagation Neural Network (BPN), Support Vector Machines (SVM) and Case-Based Reasoning (CBR) to establish a prediction and evaluation model. Lastly, through cross-validation and statistical analysis, differences among models were assessed.
The average accuracy (ACC) of the six prediction models in this study was above 89% and area under ROC curve (AURC) was also above 0.83. There was a significant difference in Friedman test, where PSO+SVM showed the best result. After the t-test, the three prediction models, PSO+BPN, PSO+SVM and GALR+SVM, showed no significant difference, suggesting an equal predictability of the models. In terms of evaluation, these systems showed significant difference in Friedman test. The t-test showed statistical difference in these three algorithms with CBR. PSO+CBR was the best evaluation system with an average ACC at 91.44% and an average AURC at 0.882. This study could provide as reference for medical evaluation by medical institutions, patients and clinicians.

摘要......................................................i
Abstract.................................................ii
誌謝.....................................................iv
目錄......................................................v
表目錄...................................................ix
圖目錄...................................................xi
第一章 緒論...............................................1
1.1研究背景...............................................1
1.2研究動機...............................................1
1.3研究目的...............................................2
1.4研究範圍與限制..........................................2
1.5研究流程................................................3
第二章 文獻探討............................................4
2.1糖尿病..................................................4
2.1.1糖尿病簡介............................................4
2.1.2糖尿病之症狀...........................................6
2.1.3糖尿病預防與治療.......................................8
2.1.4糖尿病相關文獻.........................................9
2.2肺癌....................................................11
2.2.1肺癌簡介..............................................11
2.2.2肺癌之症狀............................................12
2.2.3肺癌預防與治療.........................................13
2.2.4肺癌相關文獻...........................................15
2.2.5糖尿病與肺癌相關性文獻..................................17
2.3粒子群最佳化演算法........................................18
2.3.1粒子群最佳化演算法簡介..................................18
2.3.2粒子群最佳化演算法流程..................................19
2.3.3粒子群最佳化演算法相關文獻...............................19
2.4交叉熵演算法..............................................21
2.4.1交叉熵演算法簡介........................................21
2.4.2交叉熵演算法理論........................................21
2.4.3交叉熵演算法相關文獻.....................................22
2.5基因邏輯斯迴歸演算法.......................................23
2.5.1基因演算法簡介...........................................23
2.5.2基因演算法流程...........................................23
2.5.3基因演算法相關文獻.......................................26
2.5.4邏輯斯迴歸分析...........................................27
2.6倒傳遞類神經網路...........................................28
2.6.1類神經網路簡介...........................................28
2.6.2倒傳遞類神經網路模型......................................28
2.6.3倒傳遞類神經網路相關文獻..................................29
2.7支援向量機.................................................31
2.7.1支援向量機簡介............................................31
2.7.2非線性支援向量機..........................................31
2.7.3支援向量機相關文獻........................................32
2.8案例式推理..................................................33
2.8.1案例式推理簡介............................................33
2.8.2案例式推理系統之流程.......................................33
2.8.3案例式推理系統相關文獻.....................................34
第三章 研究方法................................................36
3.1研究架構....................................................36
3.2研究對象....................................................38
3.3研究資料....................................................38
3.4研究變數定義................................................39
3.5變數編碼....................................................40
3.6預測模型與評估系統架構.......................................41
3.7演算法參數設定..............................................42
3.7.1粒子群演算法..............................................42
3.7.2交叉熵演算法..............................................42
3.7.3基因邏輯斯迴歸演算法.......................................42
3.7.4倒傳遞類神經網路..........................................43
3.7.5支援向量機...............................................44
3.7.6案例式推理系統............................................44
3.8模型驗證與績效評估..........................................45
3.8.1 K疊交互驗證..............................................45
3.8.2 ROC曲線下面積............................................46
3.8.3傅利曼檢定................................................49
3.8.4成對樣本T檢定.............................................49
第四章 研究結果................................................50
4.1案例敘述統計................................................50
4.2粒子群最佳化演算法實驗分析...................................51
4.2.1粒子群最佳化演算法參數設定.................................51
4.2.2粒子群最佳化演算法權重分析.................................52
4.3粒子群最佳化演算法結合倒傳遞類神經網路預測模型.................53
4.3.1參數設定..................................................53
4.3.2十疊交互驗證...............................................55
4.4粒子群最佳化演算法結合支援向量機預測模型.......................56
4.4.1參數設定..................................................56
4.4.2十疊交互驗證..............................................58
4.5交叉熵演算法實驗分析.........................................59
4.5.1交叉熵演算法參數設定.......................................59
4.5.2交叉熵演算法權重分析.......................................60
4.6交叉熵演算法結合倒傳遞類神經網路預測模型.......................61
4.6.1參數設定..................................................61
4.6.2十疊交互驗證..............................................63
4.7交叉熵演算法結合支援向量機預測模型............................64
4.7.1參數設定..................................................64
4.7.2十疊交互驗證..............................................66
4.8基因邏輯斯迴歸演算法實驗分析..................................67
4.8.1基因邏輯斯迴歸演算法參數設定................................67
4.8.2基因邏輯斯迴歸演算法權重分析................................68
4.9基因邏輯斯迴歸演算法結合倒傳遞類神經網路預測模型................69
4.9.1參數設定..................................................69
4.9.2十疊交互驗證...............................................71
4.10基因邏輯斯迴歸演算法結合支援向量機預測模型....................72
4.10.1參數設定.................................................72
4.10.2十疊交互驗證..............................................74
4.11預測模型比較................................................75
4.11.1預測模型分析結果比較.......................................75
4.11.2模型差異統計檢定...........................................76
4.12案例式推理評估系統...........................................77
4.12.1案例式推理評估系統之建構....................................77
4.12.2權重值設定................................................78
4.12.3案例式推理評估系統之介面與操作..............................78
4.12.4案例式推理評估系統之驗證...................................82
第五章 結論.....................................................84
5.1研究結論....................................................84
5.2管理意涵....................................................85
5.3研究建議....................................................85
參考文獻.......................................................86
附錄一 預測模型傅利曼檢定表......................................95
附錄二 預測模型成對樣本T檢定表...................................96
附錄三 評估系統傅利曼檢定表......................................97
附錄四 評估系統成對樣本T檢定表...................................98
Extended Abstract..............................................99

[1]王永亮、王春鳳，2016，“基於乘客交通特性和交叉熵的機位預分配研究”， 交通運輸系統工程與信息，4期，頁211~216，9月。
[2]王美齡、馮正一、張育瑄，2010，“基因演算法於邊坡穩定分析之初步應用”，水土保持學報，42卷，1期，頁65~82，1月。
[3]吳建良，2016，“肺癌成因” http://www.5678news.com/news_details.php?n=201603231623546642，參考日期：2018/8/30。
[4]呂奇傑、蘇子庭，2018，“應用與比較多種資料探勘預測技術於電腦代理商銷售預測之研究”，數據分析，13卷，3期，頁51~63，6月。
[5]宋裕祺、王俊穎，2015，“結合粒子群演算法與遺傳演算法於斜張橋鋼索預力之最佳化設計”，中國土木水利工程學刊，27卷，1期，頁1~10，3月。
[6]李天行、黃婷萱、呂奇傑，2016，“以資料探勘技術進行糖尿病與乳癌關聯性分析之研究”，數據分析，11卷，5期，頁77~96，10月。
[7]李天行、劉程凱、劉文勝、呂奇傑，2016，“利用資料探勘技術建立疾病危險因子分析模式－以糖尿病腎病變透析治療為例”，數據分析，11卷，5期，頁53~76，10月。
[8]李文明，2017，“創業意圖分類方法效果之比較”，修平學報，34期，頁35~ 64，3月。
[9]李秀蘭、高碧月、林詩偉，2015，“探究生命末期病患與皮膚壓瘡之相關性分析”，醫療資訊雜誌，24卷，2期，頁11~25，6月。
[10]李俊宏、古清仁，2010，“類神經網路與資料探勘技術在醫療診斷之應用研究”，工程科技與教育學刊，7卷，4期，頁154~169，3月。
[11]李冠毅、林昭宏，2018，“Landsat 8衛星影像支持向量機雲偵測演算法”，航測及遙測學刊，22卷，4期，頁227~241，12月。
[12]李建邦、俞星辰，2014，“以粒子群最佳化演算法結合分類器預測疾病及搜尋變數之研究”，數據分析，9卷，1期，頁57~74，2月。
[13]李清風，2016，“肺癌的臨床分型：小細胞肺癌和非小細胞肺癌” http://www.epochtimes.com/b5/15/12/24/n4602815.htm，參考日期：2018/8/30。
[14]李維平、江正文，2007，“運用活化策略改良粒子群演算法求解成效”，先進工程學刊，2卷，4期，頁283~293，10月。
[15]李維平、張加憲，2011，“改良粒子群演算法求解旅行銷售員問題”，先進工程學刊，6卷，1期，頁21~30，1月。
[16]沈宜靜、林建良、許惠恒，2011，“糖尿病與癌症之關聯以及台灣現況探討”，內科學誌，22卷，1期，頁19~30，2月。
[17]林欣平、陳昶憲、唐偉倫、鍾侑達，2018，“類神經網路流量系集預報模式之應用”，農業工程學報，64卷，1期，頁29~40，3月。
[18]林高正、曾文宏、陳建甫、蔡巧卿，2018，“以混合基因演算法求解多桶格車輛途程問題”，管理資訊計算，7卷，1特刊，頁126~136，8月。
[19]肺癌諮詢網，2013，“肺癌預防”https://lung.house93m.com/indexb.html，參考日期：2018/8/30。
[20]政昇藥局，2017，“肺癌9大常見症狀，早期發現掌握存活關鍵” https://www.ihealth.com.tw/article/%E8%82%BA%E7%99%8C/，參考日期：2018/8/30。
[21]胡雅涵、黃正魁、楊承翰，2014，“以基因演算法為基礎建立自動化文件分類模式”，資訊管理學報，21卷，3期，頁302~339，7月。
[22]孫莉，2009，“基於交叉熵方法構件軟體可靠性優化”，計算機系統應用，18卷，12期，頁157~160，3月。
[23]徐搜、李天楚、郭凌旭、林軍、張世宇、王笑雪，2016，“主動負荷參與配電網分佈式智能電壓控制”，力系統及其自動化學報，1期，頁17~23，3月。
[24]徐賢斌，2017，“應用混合式粒子群演算法進行離散型船席及變動式橋式起重機指派”，數據分析，29卷，1期，頁1~34，3月。
[25]馬偕紀念醫院，2017，“肺癌可分成那幾類型?” http://www.mmh.org.tw/taitam/che_int/index4_1_LC04.html，參考日期：2018/8/30。
[26]健康雜誌，2017，“什麼是小細胞肺癌？” https://kb.commonhealth.com.tw/library/17.html，參考日期：2018/8/30。
[27]張永宗、董致宏，2015，“應用類神經網路與類免疫演算法於空調系統最佳化運轉”，高雄應用科技大學工程科技學刊，1卷，1期，頁23~33，6月。
[28]梁容方、鄺健濤、張慈桂，2018，“中老年人多重慢性疾病與自覺健康狀況關聯之探討”，澄清醫護管理雜誌，14卷，2期，頁17~26，8月。
[29]許敦韋、凌憬峰、郭萬祐，2016，“核磁共振影像在良性和惡性腦腫瘤之自動偵測與分類上的應用”，北市醫放雜誌，6卷，1期，頁37~44，12月。
[30]郭丁吉，2013，“糖尿病” https://www.scmh.org.tw/dept/lab/show/Preview/page-82.html，參考日期：2018/8/29。
[31]陳介豪、林尚儀、黃珮芬、林秉緯，2009，“建築工程專案投資風險推估之研究”，營建管理季刊，81期，頁24~39，12月。
[32]陳清山，2017，“以人工智慧理論探討臺中市中小學校舍耐震因子及耐震能力”，建築學報，100期，100，頁95~116，6月。
[33]陳清田、陳儒賢、黃上竹，2016，“應用半變異圖於改善類神經網路地下水水位補遺之研究”，水保技術，9卷，5期，頁25~36，3月。
[34]陳銘樹、王建智、王麗雁，2008，“應用決策樹演算法以探究高科技員工潛在的糖尿病之危險因子”，健康管理學刊，6卷，2期，頁135~146，12月。
[35]曾宇婷，2016，“糖尿病跟癌症有關？！” https://www.twhealth.org.tw/journalView.php?cat=7&sid=116&page=1，參考日期：2018/08/27。
[36]黃允成、張妤宣，2018，“可選擇績效指標下最適生產排程之研究－以某拉門製造廠為例”，先進工程學刊，13卷，1期，頁15~22，4月。
[37]黃偉儀，2016，“這10個前期症狀 小心得糖尿病！” https://health.udn.com/health/story/7532/1613916，參考日期：2018/8/28。
[38]黃湯米，2018，“機器學習\統計方法：模型評估－驗證指標”， https://medium.com/@chih.sheng.huang821/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%B5%B1%E8%A8%88%E6%96%B9%E6%B3%95-%E6%A8%A1%E5%9E%8B%E8%A9%95%E4%BC%B0-%E9%A9%97%E8%AD%89%E6%8C%87%E6%A8%99-b03825ff0814，參考日期：2018/09/20。
[39]黃蘭菁、李貫廷、李育霖、楊偉勛、黃國晉，2013，“2013年美國糖尿病學會臨床治療指引摘要”，台北市醫師公會會刊，57卷，3期，頁23~31。
[40]楊士杰、李坤洲，2012，“粒子群演算法應用於線性天線陣列最佳化”，華岡工程學報，29期，頁109~114，6月。
[41]楊逸仁、林子建、何正得，2010，“模具設計之案例式推理系統建構”，工程科技與教育學刊，7卷，4期，頁560~578，10月。
[42]楊福雄、湯旭南，2017，“肺癌的液態活檢”，科學誌，28卷，6期，頁334~343，12月。
[43]照護線上，2017，“糖尿病能打胰島素嗎？” https://www.careonline.com.tw/2017/05/insulin.html，參考日期：2018/8/28。
[44]萬水龍，羅國成，餘彪，2014，“混沌粒子群優化指數交叉熵的閾值分割”，微型機與應用，7期，頁71~73，6月。
[45]萬絢、張士勳、陳銘賢，2013，“以螞蟻演算法與支援向量機判釋在霧社水庫影像崩塌地之判釋”，水保技術，8卷，4期，頁180~187，10月。
[46]萬絢、張士勳、顏翰濤、王依蘋、郭鴻裕，2016，“綠化生態作物覆蓋評估：以粒子群演算結合線性判別分析應用於水稻影像判釋為例”，水保技術，10卷，2期，頁1~7，10月。
[47]葉進儀、林軒仲，2014，“結合基因演算法與模擬退火法於多重DNA序列之比對”，品質學報，21卷，5期，頁305~328，5月。
[48]劉海婷、吳利平、王曉明、張華，2015，“2型糖尿病與肺癌的相關性”，中華老年多器官疾病雜誌，14卷，8期，頁637~640，9月。
[49]蔡如怡、胡慧蘭，2005，“第二型糖尿病合併症之危險因子控制－ABC管理”，護理雜誌，52卷，5期，頁65~70，10月。
[50]蔡志緯、黃崇能，2016，“利用MANFIS-PSO 可變慣性飛輪控制之風場調查：以東吉島為例”，國際科學與工程雜誌，6卷，2期，頁9~25，10月。
[51]衛生福利部，2018，“106年國人死因統計結果”，https://www.mohw.gov.tw/cp-3795-41794-1.html，參考日期：2018/08/25。
[52]衛生福利部國民健康署，2017，“世界糖尿病日由來與國內宣導響應” https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=1090&pid=6426，ｈ０，參考日期：2018/8/28。
[53]鄧正梁，2015，“認識糖尿病足” https://www.epochtimes.com.tw/n114967/%E8%AA%8D%E8%AD%98%E7%B3%96%E5%B0%BF%E7%97%85%E8%B6%B3.html，參考日期：2018/8/29。
[54]鄭崇佑，2017，“淺談糖尿病症狀及治療” https://tw.wen8health.com/article/262，參考日期：2018/8/28。
[55]蕭立偉、李奕德，2017，“什麼是糖尿病” https://www.vghtc.gov.tw/GipOpenWeb/wSite/ct?xItem=34631&ctNode=30574&mp=210400/，參考日期：2018/8/28。
[56]薛俊韜、翁玉茹、張軍，2016，“基於EMD和交叉熵的語音端點檢測算法”，計算機工程與應用，52卷，20期，頁149~153、166，10月。
[57]藍天雄、邱誌偉、賴育民，2015，“建立飛機環控系統重要組件維修策略”，管理資訊計算，4卷，1期，頁234~251，3月。
[58]醫學界雜誌，2015，“遠離糖尿病的12種方法，你值得擁有” https://kknews.cc/health/8mv8gjq.html，參考日期：2018/8/29。
[59]魏巧宜、馬麗菁，2017，“利用混合模式預測國內股票型基金績效及多年期軌跡”，資訊管理學報，24卷，1期，頁69~95，1月。
[60]羅芳鈞、王昭男，2017，“應用短時傅立葉轉換於風力發電機葉片表層損傷診斷”，中國造船暨輪機工程學刊，36卷，2期，頁69~74，5月。
[61]邊莉、邊晨源，2016，“採用交叉熵支持向量機和模糊積分的電網故障診斷”，電機與控制學報，20卷，02期，頁112~120，2月。
[62]蘇宜芬、張祐瑄、李孟峰、黃鈺茜，2016，“國小二至六年級朗讀流暢度篩檢準確度及切截點分析”，教育科學研究期刊，61卷，4期，頁33~ 57，12月。
[63]Aamodt, A., & Plaza, E., 1994, "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches", AI Communications, 7(1), pp.39-59.
[64]Alharbi, A., & Tchier, F., & Rashidi, M., 2016, "Using a Genetic Fuzzy Algorithm as a Computer Aided Breast Cancer Diagnostic Tool", Asian Pacific Journal of Cancer Prevention, 17(7), pp. 3651-3658.
[65]Choia, B.S., & Song, J., 2017, "Cross-Entropy-Based Adaptive Importance Sampling for Probabilistic Seismic Risk Assessment of Lifeline Networks Considering Spatial Correlation", Procedia Engineering, 198, pp.999-1006, September.
[66]Chung, W.S., & Lin, C.L., & Hsu, W.H., & Kao, C.H., 2016, "Increased Risk of Lung Cancer Among Patients with Bronchiectasis: A Nationwide Cohort Study", An International Journal of Medicine, 109(1), pp.17-25, January.
[67]Cortes, C., & Vapnik, V., 1995, "Support-Vector Networks", Machine Learning, 20(03), pp.273-297, September.
[68]Eberhart, R.C., & Kennedy, J., 1995, "Particle Swarm Optimization", IEEE International Conference on Neural Networks, 4, pp.1942-1948, December.
[69]Fanga, Y., & Panga, M., & Wanga, B., 2017, "A Course Control System of Unmanned Surface Vehicle (USV) Using Back-Propagation Neural Network (BPNN) and Artificial Bee Colony (ABC) Algorithm", Procedia Computer Science, 111, pp.361-366, August.
[70]Hsieh, M.C., & Lee, T.C., & Cheng, S.M., & Tu, S.T., & Yen, M.H., & Tseng, C.H. ,2012, "The Influence of Type 2 Diabetes and Glucose-Lowering Therapies on Cancer Risk in the Taiwanese", Experimental Diabetes Research, 2012: 413782, doi: 10.1155/2012/413782.
[71]Hsu, C.K., & Lai, C.C., & Wang, K., & Chen, L., 2016, "Risk of Lung Cancer in Patients with Gastro-Esophageal Reflux Disease: A Population-Based Cohort Study", PeerJ, 4: e2753, doi:10.7717/peerj.2753, December.
[72]Huang, J.W., & Kung, Y.T., & Chang, W.T., & Lee, K.T., 2016, "Risk Factors Analysis for New-Onset Diabetes Mellitus after Liver Transplantation-A National Population Based Study in Taiwan", Medical Journal of South Taiwan, 12(1), pp.29-37, January.
[73]Huang, Y.J., & Huang, T.W., & Lin, F.H., & Chung, C.H., & Tsao, C.H., & Chien, W.C, 2017, "Radiation Therapy for Invasive Breast Cancer Increases the Risk of Second Primary Lung Cancer: A Nationwide Population-Based Cohort Analysis", Journal of Thoracic Oncology, 12(5), pp.782-790, May.
[74]Huynh, N.T., & Huang, Y.C., & Chien, C.F., 2018, "A hybrid Genetic Algorithm with 2D Encoding for the Scheduling of Rehabilitation Patients", Computers & Industrial Engineering, 125, pp.221-231, November.
[75]Kato, E.R.R., & Aranha, G.D.D.A., & Tsunaki, R.H., "A New Approach to Solve the Flexible Job Shop Problem Based on A Hybrid Particle Swarm Optimization and Random-Restart Hill Climbing", Computers & Industrial Engineering, 125, pp.178-189, August.
[76]Kolodner, J.L., 1993, "Case-Based Reasoning", Morgan Kaufmann Publishers, Inc, San Mato.
[77]Kwon, A.M., 2018, "A Rank Weighted Classification for Plasma Proteomic Profiles Based on Case-Based Reasoning", BMC Med Inform Decis Mak, 18(1), pp.18-34, May.
[78]Lamba, R., & Manikandan, S., & Kaushik, S.C., & Tyagi, S.K., 2018, "Thermodynamic Modelling and Performance Optimization of Trapezoidal Thermoelectric Cooler Using Genetic Algorithm", Thermal Science and Engineering Progress, 6, pp.236-250, June.
[79]Lee, H.T., & Lai, C.C., & Chen, W.C., & Wu, S.H., & Lin, H.I, 2016, "Increased Lung Cancer Risk among Diabetic Patients - a Nationwide Population Based Study", Fu-Jen Journal of Medicine, 14(4), pp.175-184, December.
[80]Lopez-Garcia, P., & Onieva, E., & Osaba, E., & Masegosa, A.D., & Perallos, A., 2016, "GACE: A Meta-Heuristic Based in the Hybridization of Genetic Algorithms and Cross Entropy Methods for Continuous Optimization", Expert Systems with Applications, 55, pp.508-519, August.
[81]Pesl, P., & Herrero, P., & Reddy, M., & Oliver, N., & Johnston, D.G., & Toumazou, C., & Georgiou, P., 2017, "Case-Based Reasoning for Insulin Bolus Advice: Evaluation of Case Parameters in a Six-Week Pilot Study", Journal of Diabetes Science and Technology, 11(1), pp.37-42, January.
[82]Phangtriastu, M.R., & Harefa, J., & Tanoto, D.F., 2017, "Comparison between Neural Network and Support Vector Machine in Optical Character Recognition", Procedia Computer Science, 116, pp.351-357, October.
[83]Rodríguez, G., & J.Andrés, D.P., & Álvaro, S., 2018, "A Case-Based Reasoning Approach to Reuse Quality-Driven Designs in Service-Oriented Architectures", Information Systems, 77, pp.167-189, September.
[84]Rubinstein, R. Y., 1997, "Optimization of Computer Simulation Models with Rare Events", European Journal of Operational Research, 99, pp.89-112.
[85]Schank, R.C., & Abelson, R.P, 1977, "Scripts, Plans, Goals and Understanding: An Inquiry into Human Knowledge Structures”, Lawrence Erlbaum Associates, Inc.
[86]Sun, Y., & Hou, Z., 2018, "A Novel Abnormal Traffic Incident Detection Method Based on Improved Support Vector Machine", Journal of Applied Science and Engineering, 21(1), pp.45-50, March.
[87]Tsai, M.J., & Chen, S.Y., & Huang, R.B., & Peng, C.Y., 2016, "Quality Evaluation and Prediction of PV Modules by Utilizing LM-Based Back Propagation Neural Network", Journal of the Chinese Society of Mechanical Engineers, 37(05), pp479-486, October.
[88]Tseng, C.H., 2013, "Higher Risk of Mortality from Lung Cancer in Taiwanese People with Diabetes", Diabetes Research and Clinical Practice, 102(3), pp.193-201, December.
[89]Viscaa, D., & Pignatti, P., & Spanevello, A., & Lucini, E., & La Roccad, E., 2018, "Relationship between Diabetes and Respiratory Diseases-Clinical and Therapeutic Aspects", Pharmacological Research, 137, pp.230-235, November.
[90]Wei, Y.F., & Chen, J.Y., & Lee, H.S., & Wu, J.T., & Hsu, C.K., & Hsu, Y.C., 2018, "Association of Chronic Kidney Disease with Mortality Risk in Patients with Lung Cancer: A Nationwide Taiwan Population-Based Cohort Study", BMJ Open, 8(1), doi:10.1136/bmjopen-2017-019661, January.
[91]Wu, C.Y., & Hu, H.Y., & Pu, C.Y., & Huang, N., & Shen, H.C., & Li, C.P., 2011, "Pulmonary Tuberculosis Increases the Risk of Lung Cancer: A Population-Based Cohort Study", Cancer, 117(31), pp.618-624, February.
[92]Wu, Z., & Möhringa, R.H., & Laib, J., 2018, "Stochastic Runtime Analysis of a Cross-Entropy Algorithm for Traveling Salesman Problems", Theoretical Computer Science, 724, pp.69-86, May.
[93]You, L., & Tan, Q., & Kang, Y., & Xu, C., & Lin, C., 2018, "Reconstruction and Prediction of Capillary Pressure Curve Based on Particle Swarm Optimization-Back Propagation Neural Network Method", Petroleum, 4(3), pp.268-280, September.
[94]Yu, Y.H, & Liao, C.C., & Hsu, W.H., & Chen, H.J., & Liao, W.C., & Muo, C.H., & Sung, F.C., & Chen, C.Y., 2011, "Increased Lung Cancer Risk among Patients with Pulmonary Tuberculosis: A Population Cohort Study", Journal of Thoracic Oncology, 6(1), pp.32-37, January.
[95]Zhang, Y., & Hou, Z., 2018, "Short Term Traffic Flow Prediction Based on Improved Support Vector Machine", Journal of Applied Science and Engineering, 21(1), pp.25-32, March.