اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتعديل خوارزمية العنقدة ال Mountain و استخدامها لتحسين أداء خوارزمية ال C-Means الضبابية
Modifying Mountain Clustering Algorithm and Using It to Enhance the Performance of Fuzzy C-Means Algorithm
1550
1 55
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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.
In this paper, we introduce a modification to fuzzy mountain data clustering algorithm. We were able to make this algorithm working automatically, through finding a way to divide the space, to determine the values of the input parameters, and the stop condition automatically, instead of getting them by the user.
مراجعة الذكاء الصنعي:
ملخص البحث
في هذا البحث، تم تقديم تعديل على خوارزمية عنقدة البيانات الضبابية Mountain، حيث تم تطوير آلية لجعل الخوارزمية تعمل بشكل آلي دون تدخل المستخدم. تم ذلك من خلال إيجاد طريقة لتقسيم الفضاء وتحديد قيم وسطاء الدخل وشرط التوقف بشكل آلي. كما تم تعديل خرج الخوارزمية ليصبح مصفوفة عضوية ضبابية وعدد العناقيد، مما يمكن استخدامه كدخل لخوارزميات عنقدة ضبابية أكثر تعقيداً مثل Fuzzy C-Means (FCM). تم إجراء مقارنة بين أداء خوارزمية FCM مع مدخلات عشوائية وأدائها مع مدخلات ناتجة من الخوارزمية المعدلة، حيث أظهرت النتائج تقليل الكلفة وعدد التكرارات لخوارزمية FCM بشكل واضح. تم تطبيق الخوارزمية المعدلة على مجموعة من البيانات وأظهرت النتائج تحسناً في أداء خوارزمية FCM من حيث تقليل قيم دالة الكلفة وعدد التكرارات اللازمة للوصول إلى الحل الأمثل.
قراءة نقدية
دراسة نقدية: يعتبر هذا البحث خطوة مهمة نحو تحسين أداء خوارزميات العنقدة الضبابية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، على الرغم من أن الخوارزمية المعدلة تعمل بشكل آلي، إلا أن تعقيدها الزمني قد يكون مرتفعاً في بعض الحالات، مما يتطلب تحسينات إضافية في هذا الجانب. ثانياً، لم يتم اختبار الخوارزمية على مجموعة واسعة من البيانات المختلفة، مما قد يحد من تعميم النتائج. ثالثاً، يمكن أن تكون هناك حاجة لمزيد من التحليل النظري لتوضيح الأسباب وراء تحسين الأداء بشكل أكثر تفصيلاً. بشكل عام، البحث يقدم مساهمة قيمة في مجال العنقدة الضبابية، لكنه يحتاج إلى مزيد من العمل لتحسين الأداء وتعميم النتائج.
أسئلة حول البحث
-
ما هي المشكلة الرئيسية التي تعاني منها خوارزمية Mountain الأصلية؟
تواجه خوارزمية Mountain الأصلية مشاكل في القسيم العشوائي للفضاء، إدخال قيم وسطاء الدخل بشكل عشوائي، وخرج الخوارزمية الذي لا يلبي احتياجات خوارزميات العنقدة الضبابية الأخرى مثل FCM.
-
كيف تم تحسين خوارزمية Mountain في هذا البحث؟
تم تحسين خوارزمية Mountain من خلال تطوير آلية لتقسيم الفضاء بشكل آلي، تحديد قيم وسطاء الدخل وشرط التوقف بشكل آلي، وتعديل خرج الخوارزمية ليصبح مصفوفة عضوية ضبابية وعدد العناقيد.
-
ما هي الفائدة من استخدام الخوارزمية المعدلة كدخل لخوارزمية FCM؟
استخدام الخوارزمية المعدلة كدخل لخوارزمية FCM يساعد في تقليل الكلفة وعدد التكرارات اللازمة للوصول إلى الحل الأمثل، مما يحسن من أداء خوارزمية FCM بشكل واضح.
-
ما هي النتائج التي تم الحصول عليها عند مقارنة أداء خوارزمية FCM مع مدخلات عشوائية وأدائها مع مدخلات ناتجة من الخوارزمية المعدلة؟
أظهرت النتائج أن أداء خوارزمية FCM مع مدخلات ناتجة من الخوارزمية المعدلة أفضل من أدائها مع مدخلات عشوائية، حيث تم تقليل الكلفة وعدد التكرارات بشكل واضح.
المراجع المستخدمة
YANG. M, AND WU. K, 2005- A Modified Mountain Clustering Algorithm, Published online:24 June 2005, London, p 125–138
CHIU. S, 1994- Fuzzy Model Identification Based on Cluster Estimate, journal of Intelligent and Fuzzy System, California, vol. 2, p 267-278
BERNETI. S, 2011- Design of Fuzzy Subtractive Clustering Model using Particle Swarm Optimization for the Permeability Prediction of the Reservoir, Islamic Azad University, Sari, Iran, Volume 29– No.11, September
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 خوارزمية جديدة لحل بعض المشاكل التي تعاني منها
خوارزميات عنقدة البيانات كالK-Means. هذه الخوارزمية الجديدة قادرة على
عنقدة مجموعة من البيانات بشكل منفرد دون الحاجة لخوارزميات عنقدة أخرى.
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.
يزداد انتشار الشبكات اللاسلكية يومًا بعد يوم، و أصبحت معظم الشبكات الحالية لاسلكية نظرًا إلى سهولة تركيبها و عدم حاجتها لبنية تحتية، و هذا لايعني إلغاء دور الشبكات السلكية بل تأتي مكملة لها. و بوجود أنواع الشبكات كّلها ابتدأ من الشبكات الشخصية والمحل
ية (PANs and LANs) إلى الشبكات الواسعة (WAN) و لاسيما شبكة الإنترنت، أصبح توجه البحث العلمي اليوم إلى التركيز على تحسين جودة الخدمة فيها (QoS) و التفكير بدمج هذه الشبكات لتتكامل مع شبكة الإنترنت التي تعد العمود الفقري (backbone) لكل شبكة تريد تبادل المعلومات و تشاركها مع غيرها على مستوى العالم.
يركز هذا البحث على تحسين جودة الخدمة في الشبكات اللاسلكية عريضة الحزمة (Broadband) التي تغطي المدن و هي WiMax
ذات المعيار (IEEE 802.16e) التي تدعم الحركية (mobility)
وقد تستخدم هذه الشبكة لربط المناطق البعيدة مع مراكز المدن و تسمى شبكة نقطة لنقطة(Point-to-Point) أو أنها تقوم بتغطية المدن و تسمى شبكة نقطة لعدة نقاط (Point-to-Multipoint) و تستخدم هذه الأخيرة لربط عدة شبكات لاسلكية ولاسيما المحلية ذات البنية التحتية
(Wi-Fi: Wireless Fidelity) المكتظة بالمستخدمين و المسماة بالبقع الساخنة (Hotspots) , في حين يطلق على كل خلية من خلايا شبكة WiMax التي تغطي المدن بالمنطقة الساخنة (Hotzone) .
قترحنا خلال بحثنا، نموذجًًا لنظام يقوم بموازنة الحمل (معدل النقل data rate ) بين المحطات القاعدية (BSs : Base Stations) لخلايا الشبكة WiMax. و يقصد بذلك تبادل الطرفيات بين المحطات القاعدية المتجاورة بهدف جعل الحمل في كل محطة قاعدية مساويًا لحمل المحطات الأخرى، و بذلك نحسن من أداء الشبكة و نزيد من عرض المجال المتاح لكل طرفية، فضلا عن زيادة عدد المستخدمين (العملاء) الممكن تخديمهم. و هذا النفع يعود على المستخدم من حيث تحسين جودة
الخدمة المقدمة إليه من جهة ومن جهة أخرى يزداد ربح مزود الخدمة، ناهيك عن السمعة الجيدة التي ينالها من قبل مستخدميه، الشيء الذي يدفع مزيدًا من المستخدمين للاشتراك في هذه الشبكة دون غيرها.
يمكن لنظام موازنة الحمل المقترح أن يكون نظامًا موزعًا يوضع في كل محطة قاعدية، أو نظامًا مركزيًا يوضع فقط في مخدم مركزي مستقل يتصل مع المحطات القاعدية كّلها، و توضع في هذا النظام خوارزمية موازنة الحمل التي تتألف من عدة خطوات ينفذها المتحكم الموجود في النظام المقترح، و يجب أن تكون عملية موازنة الحمل سريعة كفاية و كذلك إجرائية التسليم (Hanover procedure) بين المحطات القاعدية حتى لا تؤثر سلبًا في جودة خدمة العملاء ول اسيما الذين يقومون بتطبيقات زمن حقيقي .
تصنف خوارزمية K-Means الكائنات إلى عدد محدد مسبقا من العناقيد و هو K عنقود. و تتم عملية اختيار المراكز العنقودية في هذه الخوارزمية بشكل العشوائية، و يفضل أن تكون هذه المراكز بعيدة عن بعضها البعض قدر الإمكان. تؤثر نقطة البدء العشوائية على فعالية عملي
ة التجميع و النتائج. و تعتمد عملية المقاربة المعنقدة على قيم المراكز الأولية بشكل رئيسي.
نركّز في هذا البحث على طريقة اختيار مركز العنقود لتحسين أداء العنقدة في الخوارزمية K-Means كما نستخدم مراكز العناقيد الأولية و التي حصلنا عليها من البيانات المقسّمة على طول محور البيانات وفقا لأعلى فرق لتعيين مركز العنقود الأفضل.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
