| LEADER |
05046nam a2200337 4500 |
| 001 |
1749785 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 544355
|a الخفاجي، زينب ناصر عزيز
|e مؤلف
|
| 245 |
|
|
|a A New clustering Algorithm For Biometri Dataset
|
| 246 |
|
|
|a طريقة جديدة لعنقدة البيانات البايومترية
|
| 260 |
|
|
|a الناصرية
|c 2015
|m 1437
|
| 300 |
|
|
|a 1 - 75
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة ذي قار
|f كلية التربية للعلوم الصرفة
|g العراق
|o 0137
|
| 520 |
|
|
|a نظرا للاستخدام الواسع لخوارزميات العنقدة في الكثير من المجالات (تنقيب بيانات، ضغط الصور، تصفح الإنترنت،.. وغيرها) لذلك ظهرت الكثير من الخوارزميات بالإضافة إلى الخوارزميات الجاهزة التي توفرها لغة Matlab. في هذا الأطروحة تم اقتراح طريقة جديدة لعنقدة البيانات. الخوارزمية المقترحة تعتمد على مبدأ استبعاد العناصر التي تم عنقدتها. فكرة الخوارزمية المقترحة مبنية على أساس حساب مصفوفة المسافة للعناصر المراد عنقدتها، ثم استبعاد عناصر المصفوفة التي تم عنقدتها وذلك بحفظ موقع (الصف، العمود) لهذه النقاط وتحديد أقل مسافة لكل النقاط التي تعود إلى الصنف أو المجموعة وتحتفظ ببقية النقاط التي لم يتم عنقدتها بعد. الخوارزمية المقترحة تم تطبيقها على قاعدة بيانات خاصة بالصور الوجه للإنسان والتي تكون بظروف معينة (الحركة، الزاوية، ...) هذه البيانات تم الحصول عليها من مصادر مختلفة (موقع ORL وصور حقيقة تم أخذها بصورة عشوائية من عينة من مدينة ذي قار في العراق) الخوارزمية المقترحة تم تنفيذها على أكثر من 10 طرق لحساب المسافة (…, minkowski, Euclidean, corrlation). وقد تم التوصل إلى نسبة كفاءة عالية حيث تصل إلى (96%) وهذه الكفاءة متغيرة بالاعتماد على نوع البيانات المستخدمة وعددها وعلى طريقة المسافة المستخدمة. وقد تم مقارنة الخوارزمية مع 3 خوارزميات (modify of k-medoid, k-medoid algorithm, graph theory algorithm algorithm) مع نفس قاعدة البيانات المستخدمة ونفس الطرق لحساب المسافة. في خوارزمية graph theory طمع تعتمد على مبدأ الجيران. حيث تقوم بحساب المسافة ثم إيجاد الجيران لكل عنصر من خلال قيمة عتبة يحددها المستخدم أثناء التنفيذ. أما خوارزمية k-medoid فأنها تعمل على أساس تقسيم مجموعة النقاط إلى عدد من المجموعات باختيار مراكز عناقيد عشوائية. ثم حساب مسافة كل مجموعة وتغييرها في كل تنفيذ للحصول على أقل مسافة ممكنة لكل مجموعة أيضا في هذا العمل تم تطوير بسيط لخوارزمية k-medoid يمكن استخدام نفس الخوارزمية ولكن لا يكون العامل المحدد هو عدد المجاميع وإنما العدد الأكبر من النقاط داخل المجموعة ونقوم بالتكرار بتغيير عدد الكلاسترات في كل مرة إلى حين الوصول إلى العدد المطلوب وبذلك نجمع بين الــــ ((ميدويد)) الأقرب وبين العدد الأكبر داخل الكلاستر ولا نتحدد بعدد ثابت من الكلاسترات. تم استخدامه ماتلاب (2014) في العمل، وحاسبة core i5 Hp
|
| 653 |
|
|
|a علوم الكمبيوتر
|a الذكاء الاصطناعي
|a العلوم البرمجية
|
| 700 |
|
|
|9 544090
|a الشريفي، شاكر كاظم على
|g Al_Sharify, Shaker kadhem Ali
|e مشرف
|
| 856 |
|
|
|u 9805-016-008-0137-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9805-016-008-0137-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9805-016-008-0137-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9805-016-008-0137-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9805-016-008-0137-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9805-016-008-0137-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9805-016-008-0137-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9805-016-008-0137-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9805-016-008-0137-O.pdf
|y الخاتمة
|
| 856 |
|
|
|u 9805-016-008-0137-R.pdf
|y المصادر والمراجع
|
| 856 |
|
|
|u 9805-016-008-0137-S.pdf
|y الملاحق
|
| 930 |
|
|
|d n
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1008411
|d 1008411
|
