Wyniki wyszukiwania - BazTech

1

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

Ibrahim Moatasem Mahmood, Qasim Omar Saber, Hussein Talal Fadhil

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 3

10--14

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.

2

Improving parameters of v-support vector regression with Feature selection in parallel by using quasi-oppositional and Harris Hawks optimization algorithm

Ismael Omar Mohammed, Qasim Omar Saber, Algamal Zakariya Yahya

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2024

|

T. 14, nr 2

113--118

EN

Numerous real-world problems have been addressed using support vector regression, particularly v-support vector regression (v-SVR), but some parameters need to be manually changed. Furthermore, v-SVR does not support feature selection. Techniques inspired from nature were used to identify features and hyperparameter estimation. The quasi-oppositional Harris hawks optimization method (QOBL-HHOA) is introduced in this research to embedding the feature selection and optimize the hyper-parameter of the v-SVR at a same time. Results from experiments performed using four datasets. It has been demonstrated that, in terms of prediction, the number of features that may be chosen, and execution time, the suggested algorithm performs better than cross-validation and grid search methods. When compared to other nature-inspired algorithms, the experimental results of the QOBL-HHOA show its efficacy in improving prediction accuracy and processing time. It demonstrates QOBL-ability as well. By searching for the optimal hyperparameter values, HHOAs can locate the features that are most helpful for prediction tasks. As a result, the QOBL-HHOA algorithm may be more appropriate than other algorithms for identifying the data link between the features of the input and the desired variable. Whereas, the numerical results showed superiority this method on these methods, for example, mean square error of QOBL-HHOA method results (2.05E-07) with influenza neuraminidase data set was the better than the others. For making predictions in other real-world situations, this is incredibly helpful.

PL

Liczne problemy występujące w świecie rzeczywistym rozwiązano za pomocą regresji wektora nośnego, w szczególności regresji wektora nośnego v (v-SVR), ale niektóre parametry wymagają ręcznej zmiany. Ponadto v-SVR nie obsługuje wyboru funkcji. Do identyfikacji cech i estymacji hiperparametrów wykorzystano techniki inspirowane naturą. W tym badaniu wprowadzono quasi-opozycyjną metodę optymalizacji Harris Hawks (QOBLHHOA), aby osadzić selekcję cech i jednocześnie optymalizować hiperparametr v-SVR. Wyniki eksperymentów przeprowadzono przy użyciu czterech zbiorów danych. Wykazano, że pod względem predykcji, liczby możliwych do wybrania cech oraz czasu wykonania zaproponowany algorytm sprawdza się lepiej niż metody krzyżowej walidacji i wyszukiwania siatki. W porównaniu z innymi algorytmami inspirowanymi naturą wyniki eksperymentalne QOBLHHOA pokazują jego skuteczność w poprawianiu dokładności przewidywań i czasu przetwarzania. Wykazuje również zdolność QOBL. Wyszukując optymalne wartości hiperparametrów, HHOA mogą zlokalizować funkcje, które są najbardziej przydatne w zadaniach predykcyjnych. W rezultacie algorytm QOBL-HHOA może być bardziej odpowiedni niż inne algorytmy do identyfikacji łącza danych pomiędzy cechami wejścia a pożądaną zmienną. Natomiast wyniki numeryczne wykazały wyższość tej metody nad wymienionymi metodami, na przykład błąd średniokwadratowy wyników metody QOBLHHOA (2,05E-07) z zestawem danych dotyczących neuraminidazy grypy był lepszy niż w pozostałych. Jest to niezwykle pomocne przy przewidywaniu innych sytuacji w świecie rzeczywistym.

3

Improving -parameterized differential transform method with Dandelion optimizer for solving ordinary differential equations

Najeeb Mustafa Raed, Qasim Omar Saber

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2024

|

T. 14, nr 4

104--108

EN

In this manuscript, we aim to address Ordinary Differential Equations (ODEs) by α-Parameterized Differential Transform Method (α-PDTM). Additionally, we seek to enhance the effectiveness of α-PDTM by incorporating the Dandelion Optimizer (DO). The DO plays a crucial role in optimizing the parameter α, ensuring its adjustment and modification to secure the most favorable value. This refinement results in a more accurate approximation compared to conventional methods. The proposed approach, referred to as (αDO-PDTM), demonstrates a solution distinguished by its reliability and efficiency, as determined through the computation of Maximum Absolute Error (MAE) and the Mean Square Errors (MSE).

PL

Celem niniejszego manuskryptu jest rozwiązanie równań różniczkowych zwyczajnych (ODE) metodą α-parametryzowanej transformacji różniczkowej (α-PDTM). Ponadto staramy się zwiększyć skuteczność α-PDTM poprzez włączenie optymalizatora Dandelion (DO). DO odgrywa kluczową rolę w optymalizacji parametru α, zapewniając jego dostosowanie i modyfikację w celu zabezpieczenia najbardziej korzystnej wartości. To udoskonalenie skutkuje dokładniejszym przybliżeniem w porównaniu z metodami konwencjonalnymi. Proponowane podejście, określane jako (αDO-PDTM), demonstruje rozwiązanie wyróżniające się niezawodnością i wydajnością, co zostało określone poprzez obliczenie maksymalnego błędu bezwzględnego (MAE) i średnich błędów kwadratowych (MSE).