A hybrid approach combining generalized normal distribution optimization algorithm and fuzzy C-means with Calinski-Harabasz index for clustering optimization

• Autorzy: Ibrahim Moatasem Mahmood , Qasim Omar Saber , Hussein Talal Fadhil

Identyfikatory

DOI

10.35784/iapgos.6921

Warianty tytułu

PL

Hybrydowe podejście łączące uogólniony algorytm optymalizacji rozkładu normalnego i rozmyte C-średnie zewskaźnikiem Calińskiego-Harabaszado optymalizacji grupowania

• Języki publikacji: EN

Abstrakty

EN

In this paper, we propose a new hybrid approach, which combines Generalized Normal Distribution Optimization Algorithm (GNDOA) and fuzzy C-Means clustering (FCM). It is designed for processing unsuperviseddatasets. This idea target list the development about conventional function option and clustering techniques. The proposed GNDOA-FCM uses normalized normal distribution concept along with FCM for more accurate and efficient clustering outputs leading to accelerated detection in survey region. Calinski-Harabasz index helps finding the number of clusters that has high compactness within each cluster and also apart from other clusters. The performance of the proposed hybrid GNDOA-FCM approach is tested extensively using different benchmark datasets. The results are compared with existing clustering methods using evaluation metrics like silhouette score & feature selection accuracy. Experimental results show that the proposed method can be flexibly set to obtain higher quality of clustering and is more effective than conventional techniques.

PL

W niniejszym artykule proponujemy nowe podejście hybrydowe, które łączy algorytm uogólnionej optymalizacji rozkładu normalnego (GNDOA) i klasteryzację rozmytych C-średnich(FCM). Zostało ono zaprojektowane do przetwarzania nienadzorowanych zbiorów danych. Pomysł ten ma na celu rozwój konwencjonalnych opcji funkcji i technik klasteryzacji. Proponowany GNDOA-FCMwykorzystuje koncepcję znormalizowanego rozkładu normalnego wraz z FCM w celu uzyskania dokładniejszych i wydajniejszych wyników klasteryzacji, co prowadzi do przyspieszenia wykrywania w badanym regionie. Wskaźnik Calińskiego-Harabasza pomaga znaleźć liczbę klastrów, które charakteryzują się wysoką zwartością w obrębie każdego klastra, a także w odniesieniu do innych klastrów. Wydajność proponowanego hybrydowego podejścia GNDOA-FCM została dokładnie przetestowana przy użyciu różnych zestawów danych benchmarkowych. Wyniki porównano z istniejącymi metodami klastrowania przy użyciu wskaźników oceny, takich jak wynik sylwetki i dokładność wyboru cech. Wyniki eksperymentów pokazują, że proponowana metoda może być elastycznie dostosowana w celu uzyskania wyższej jakości klastrowania i jest bardziej skuteczna niż konwencjonalne techniki.

Słowa kluczowe

EN

feature selection; generalised normal distribution optimisation algorithm; fuzzy C-means clustering; data mining; Calinski-Harabasz index

PL

selekcja cech; uogólniony algorytm optymalizacji rozkładu normalnego; klastrowanie rozmytych C-średnich; eksploracja danych; wskaźnik Calińskiego-Harabasza

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 3
• Strony: 10--14
• Opis fizyczny: Bibliogr. 28 poz., tab., wykr.

Twórcy

autor

Ibrahim Moatasem Mahmood

• University of Mosul, Department of Mathematics, Mosul, Iraq

• https://orcid.org/0009-0006-5879-2196

autor

Qasim Omar Saber

• University of Mosul, Department of Mathematics, Mosul, Iraq

• https://orcid.org/0000-0003-3301-6271

autor

Hussein Talal Fadhil

• University of Mosul, Department of Mathematics, Mosul, Iraq

• https://orcid.org/0009-0005-6276-9493

Bibliografia

• [1] Al-Kababchee S. G. M., Qasim O. S., Algamal Z. Y.: Improving penalized regression-based clustering model in big data. Journal of Physics: Conference Series 1897, 2021, 012036.
• [2] Al Kababchee S. G., Algamal Z. Y., Qasim O. S.: Improving Penalized-Based Clustering Model in Big Fusion Data by Hybrid Black Hole Algorithm. Fusion: Practice & Applications 11(1), 2023, 70–76.
• [3] Alqhtani S. M., et al.: Improved Brain Tumor Segmentation and Classification in Brain MRI with FCM-SVM: A Diagnostic Approach. IEEE Access 12, 2024, 61312–61335.
• [4] Ashari I. F., et al.: Analysis of elbow, silhouette, Davies-Bouldin, Calinski Harabasz, and rand-index evaluation on k-means algorithm for classifying flood affected areas in Jakarta. Journal of Applied Informatics and Computing 7(1), 2023, 95–103.
• [5] Cebeci Z., Yildiz F.: Comparison of k-means and fuzzy c-means algorithms on different cluster structures. Journal of Agricultural Informatics 6(3), 2015, 13–23.
• [6] Cui A., et al.: Global and regional prevalence of vitamin D deficiency in population-based studies from 2000 to 2022: A pooled analysis of 7.9 million participants. Frontiers in Nutrition 10, 2023, 1070808.
• [7] El Touati Y., Slimane J. B., Saidani T.: Adaptive Method for Feature Selection in the Machine Learning Context. Engineering, Technology & Applied Science Research 14(3), 2024, 14295–14300.
• [8] Géron A.: Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc. 2022.
• [9] Haeri Boroujeni S. P., Pashaei E.: A hybrid chimp optimization algorithm and generalized normal distribution algorithm with opposition-based learning strategy for solving data clustering problems. Iran Journal of Computer Science 7(1), 2024, 65–101.
• [10] Hasan F. M., et al.: Enhanced Unsupervised Feature Selection Method Using Crow Search Algorithm and Calinski-Harabasz. International Journal of Computational Methods and Experimental Measurements 12(2), 2024, 185–190.
• [11] Hassani M., Seidl T.: Using internal evaluation measures to validate the quality of diverse stream clustering algorithms. Vietnam Journal of Computer Science 4, 2017, 171–183.
• [12] Hussain I., Sinaga K. P., Yang M.-S.: Unsupervised multiview fuzzy c-means clustering algorithm. Electronics 12(21), 2023, 4467.
• [13] Islam U. J., et al.: Dynamic exploration–exploitation trade-off in active learning regression with Bayesian hierarchical modeling. IISE Transactions 2024, 1–15.
• [14] Ji B., et al.: A survey of computational intelligence for 6G: Key technologies, applications and trends. IEEE Transactions on Industrial Informatics 17(10), 2021, 7145–7154.
• [15] Krasnov D., et al.: Fuzzy c-means clustering: A review of applications in breast cancer detection. Entropy 25(7), 2023, 1021.
• [16] Munusamy S., Murugesan P.: Modified dynamic fuzzy c-means clustering algorithm–Application in dynamic customer segmentation. Applied Intelligence 50(6), 2020, 1922–1942.
• [17] Possolo A.: Evaluating, Expressing, and Propagating Measurement Uncertainty for NIST Reference Materials. NIST Special Publication 260, 2020, 202.
• [18] Rahman M. M., et al.: A review of machine learning methods of feature selection and classification for autism spectrum disorder. Brain sciences 10(12), 2020, 949.
• [19] Raja V., et al.: Alleviation of cadmium-induced oxidative damage through application of zinc oxide nanoparticles and strigolactones in Solanum lycopersicum L. Environmental Science: Nano 11, 2024, 2633–2654.
• [20] Song X., et al.: Evolutionary computation for feature selection in classification: A comprehensive survey of solutions, applications and challenges. Swarm and Evolutionary Computation 90, 2024, 101661.
• [21] Tayyebi J., Hosseinzadeh E.: A fuzzy c-means algorithm for clustering fuzzy data and its application in clustering incomplete data. Journal of AI and Data Mining 8(4), 2020, 515–523.
• [22] Tokat S., et al.: Fuzzy c-means clustering-based key performance indicator design for warehouse loading operations. Journal of King Saud University Computer and Information Sciences 34(8), 2022, 6377–6384.
• [23] Wang X., Xu Y.: An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index. IOP Conf. Ser.: Mater. Sci. Eng. 569(5), 2019, 052024.
• [24] Yang K., et al.: Classification and evaluation of driving behavior safety levels: A driving simulation study. IEEE Open Journal of Intelligent Transportation Systems 3, 2022, 111–125.
• [25] Zhan M.-F., et al.: Recent advances in statistical methodologies in evaluating program for high-dimensional data. Applied Mathematics-A Journal of Chinese Universities 37(1), 2022, 131–146.
• [26] Zhang Y.: An improved generalized normal distribution optimization and its applications in numerical problems and engineering design problems. Artificial Intelligence Review 56(1), 2023, 685–747.
• [27] Zhang Y., Jin Z., Mirjalili S.: Generalized normal distribution optimization and its applications in parameter extraction of photovoltaic models. Energy Conversion and Management 224, 2020, 113301.
• [28] Zhao W., et al.: Comparison and application of SOFM, fuzzy c-means and k-means clustering algorithms for natural soil environment regionalization in China. Environmental Research 216, 2023, 114519.