ترغب بنشر مسار تعليمي؟ اضغط هنا

التهجين بين الخوارزمية الجينية و شبكة كوهنين الصنعية المضببة و تطبيقها في مجال العنقدة

Hybridization between the Genetic Algorithm and the Fuzzy Kohonen Clustering Network and Applying It in Clustering Field

1760   1   50   2.0 ( 1 )
 تاريخ النشر 2018
  مجال البحث رياضيات
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تم في هذا البحث اقتراح نظام هجين بين الخوارزمية الجينية و شبكة العنقدة كوهنين المضببة, حيث تعد الخوارزمية الجينية أحد أساليب الذكاء الصنعي و هي من الأساليب الحديثة.


ملخص البحث
في هذا البحث، تم اقتراح نظام هجين يجمع بين الخوارزمية الجينية وشبكة كوهنين المضببة لتطبيقها في مجال العنقدة. تعد الخوارزمية الجينية من أساليب الذكاء الاصطناعي الحديثة التي تستخدم لحل المسائل المعقدة والكبيرة الحجم بفعالية. تم اختبار النظام الهجين المقترح على مجموعة بيانات Fisher's IRIS القياسية، وكذلك في مجال تجزئة الصور الطبية باستخدام صور الرنين المغناطيسي للدماغ. أظهرت النتائج أن النظام الهجين يتفوق على الخوارزميات التقليدية من حيث عدد التكرارات وقيمة الدالة القياسية ومراكز العناقيد. تم استخدام برنامج MATLAB لتنفيذ الخوارزمية الهجينة، وأظهرت التجارب أن الخوارزمية المقترحة تقلل من وقت التجميع وتحسن دقة التصنيف مقارنة بالخوارزميات الأخرى مثل K_means وFCM وFKCN. كما تم تحليل البيانات باستخدام المنهج التحليلي والتجريبي، وتم التوصل إلى أن الخوارزمية الهجينة تقدم نتائج أفضل في تصنيف الصور الطبية مقارنة بالخوارزميات التقليدية.
قراءة نقدية
دراسة نقدية: على الرغم من أن البحث يقدم نظامًا هجينًا مبتكرًا يجمع بين الخوارزمية الجينية وشبكة كوهنين المضببة، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، لم يتم التطرق بشكل كافٍ إلى تأثير المعاملات المختلفة على أداء الخوارزمية الهجينة، مثل معامل التضبيب ومعامل الطفرة. ثانيًا، كان من الممكن تقديم تحليل أعمق للنتائج بالمقارنة مع خوارزميات أخرى في مجالات تطبيقية مختلفة، وليس فقط في تجزئة الصور الطبية. ثالثًا، يمكن تحسين البحث من خلال تقديم دراسات حالة إضافية واختبار الخوارزمية على مجموعات بيانات متنوعة لزيادة موثوقية النتائج. وأخيرًا، كان من الممكن تقديم شرح أكثر تفصيلًا للخطوات الرياضية المستخدمة في الخوارزمية الهجينة لتسهيل فهمها وتطبيقها من قبل الباحثين الآخرين.
أسئلة حول البحث
  1. ما هي الفائدة الرئيسية لاستخدام الخوارزمية الجينية في هذا البحث؟

    الفائدة الرئيسية لاستخدام الخوارزمية الجينية في هذا البحث هي قدرتها على حل المسائل المعقدة والكبيرة الحجم بفعالية من خلال إيجاد حلول بديلة في زمن مناسب.

  2. ما هي مجموعة البيانات التي تم اختبار الخوارزمية الهجينة عليها؟

    تم اختبار الخوارزمية الهجينة على مجموعة بيانات Fisher's IRIS القياسية، وكذلك في مجال تجزئة الصور الطبية باستخدام صور الرنين المغناطيسي للدماغ.

  3. ما هي النتائج التي أظهرتها الخوارزمية الهجينة مقارنة بالخوارزميات التقليدية؟

    أظهرت النتائج أن الخوارزمية الهجينة تتفوق على الخوارزميات التقليدية من حيث عدد التكرارات وقيمة الدالة القياسية ومراكز العناقيد، مما يقلل من وقت التجميع ويحسن دقة التصنيف.

  4. ما هي التوصيات التي قدمها الباحثون لتحسين الخوارزمية الهجينة؟

    أوصى الباحثون بتطوير الخوارزمية المقترحة من خلال اقتراح علاقة جديدة لمعامل التضبيب في شبكة كوهنين المضببة، وتطوير النموذج على أكثر من منصة ليكون موجودًا ومطبقًا في جميع المجالات الطبية والاقتصادية.


المراجع المستخدمة
Holland, J., 1975 -Adaptation in Natural and Artificial Systems , University of Michigan Press, Ann Arbor
GOLDBERG, D. E., 1989 -Genetic Algorithms in Search, Optimization and Machine L earning, Addison-Wesley
HOLLIDAY J. D., RODGERS S. L., WILLETT P., 2004- Clustering files of chemical structures using the fuzzy Kmeans clustering method, J. Chem. Info. Comput. Sci., Vol 44, PP 894-902.
قيم البحث

اقرأ أيضاً

قدم في هذا البحث تعديل لخوارزمية عنقدة البيانات الMountain الضبابية, حيث تمكنا من جعل هذه الخوارزمية تعمل بشكل آلي, و ذلك من خلال إيجاد طريقة لتقسيم الفضاء و تحديد قيم وسطاء الدخل و شرط التوقف آلياً بدلاً من إدخالها من قبل المستخدم.
نقدم في هذا البحث تعديل لخوارزمية عنقدة البيانات الMountain الضبابية, تمكنا من جعل هذه الخوارزمية تعمل بشكل آلي, و ذلك من خلال إيجاد طريقة لتقسيم الفضاء و تحديد قيم وسطاء الدخل و شرط التوقف آلياً بدلاً من إدخالها من قبل المستخدم.
تستخدم الشبكة العصبية الصنعية طريقة تعلم استقرائي، و تتطلب بشكل عام أمثِلة لبيانات التدريب، بينما تستخدم الخوارزمية الجينية تعلم اقتطاعي، و تتطلب تابع هدف. لقد تمّ تنظيم التعاون بين هاتين التقانتين في دراستنا هذه بغرض تعزيز أداء كل تقانة من خلال بن اء نظام هجين منهما، عن طريق كتابة برمجيّة عامّة باستخدام برنامج MATLAB بغرض الاختيار الفعّال لمتحولات الدخل لعمليات التنبؤ، و أمثلة أوزان شبكة البيانات قيد الدراسة، و من ثمّ تطبيق هذه البرنامج على بيانات يوميّة، تمّ جمعها من حوض نهر الكبير الجنوبي هي (الهطول، التبخر، الحرارة، الرطوبة النسبية و الجريان النهري بتأخر زمني مقداره يوم واحد) بغرض التنبؤ بالجريان النهري.
قمنا في هذا البحث بتلخيص المنهجيات الخاصة بالخوارزمية الجينية و عمليات التقييس، و ناقشنا معايير تقييس السجلات الزمنية الحقيقية. ثم قمنا بتطبيق إجراءات التقييس التقليدية في مجال الزمن و اجراءات التقييس باستخدام الخوارزمية الجينية على عدد من السجلات ال حقيقية المتوفرة لمطابقة الطيف التصميمي السوري. و أخيرا قمنا بفحص السجلات الزمنية الناتجة و مقارنتها لتبيان مدى مطابقتها لمتطلبات الكود.
نلاحظ في الآونة الأخيرة الانتشار الهائل لأدوات التعلم الإلكتروني ( )E-Learningومنها المحاضرات التعليمية التي تعد جزء مهم منها، وهذه المحاضرات يتم تجميعها في المواقع الإلكترونية بناءا على العنوان الذي تحمله على الرغم من احتواءها على مواضيع مختلفة في مجالات متعددة وبالتالي عندما يتم البحث عن هذه المحاضرات بكلمات معينة يتم عرض المحاضرات ذات العناوين القريبة والمشابهة لجملة البحث ولكن هذه ليست النتيجة المطلوبة، ولذلك وانطلاقا من هذه المشكلة تم اقتراح طريقة لتصنيف هذه المحاضرات بناء على المواضيع التي تحويها وليس فقط على عناوينها وعمل عنقدة لها اعتمادا على هذه المواضيع. تعتمد هذه الطريقة على الترجمة المرفقة ( )captionsمع الفيديوهات التعليمية في عملية استخراج المواضيع ومن ثم عنقدتها، ومن جهة أخرى تم الاعتماد على مقالات من موقع Wikipediaوذلك بهدف تحديد وتعريف كل عنقود من العناقيد ومن ثم حساب التشابهات بين المواضيع المعبرة عن كل محاضرة مع مراكز العناقيد، وبعد ذلك تم تطبيق عنقدة ضبابية بناء على هذه التشابهات.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا