ارسل ملاحظاتك

ارسل ملاحظاتك لنا







بناء نموذج شبكة عصبونية باستخدام التحليل لعاملي وخوارزمية K-Means

العنوان بلغة أخرى: Building an Artificial Neural Network Model Using Factor Analysis and K-Means Algorithm
المصدر: مجلة جامعة القدس المفتوحة للبحوث الإدارية والاقتصادية
الناشر: جامعة القدس المفتوحة
المؤلف الرئيسي: دهان، محمد لؤى عبدالرزاق (مؤلف)
مؤلفين آخرين: الموسى، ياسر عبدالله (م. مشارك)
المجلد/العدد: مج6, ع16
محكمة: نعم
الدولة: فلسطين
التاريخ الميلادي: 2021
الشهر: كانون الأول
الصفحات: 54 - 69
DOI: 10.33977/1760-006-016-004
ISSN: 2313-7592
رقم MD: 1201139
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
شبكات عصبونية | تحليل عاملي | خوارزمية K-Means | درجة تعقيد | Neural Network | Factor Analysis | K-Means Algorithm | Complexity Degree
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

3

حفظ في:
المستخلص: يهدف البحث إلى اقتراح نموذج شبكة عصبونية متعددة الطبقات بالاعتماد على التحليل العاملي Factor Analysis وخوارزمية K-means، وذلك من خلال دمجهما في معمارية الشبكة العصبونية، يقوم التحليل العاملي بتخفيض عدد أبعاد البيانات الأولية ووضع الناتج في طبقة المدخلات، ثم يتم تجميع البيانات حسب خوارزمية K-means بالاعتماد على العوامل المستخرجة لنحصل على عنقودين يمثلان متغير القرار، من خلال إشراك كل المتغيرات ذات الصلة في الخوارزمية، ومن ثم يدم وضع ناتج الخوارزمية في طبقة المخرجات، بعد ذلك يتم تدريب نموذج الشبكة العصبونية المقترح. وبهدف المقارنة تم اختبار النموذج على قاعدة بيانات متعددة الأبعاد Multivariat للمكتبة الإلكترونية في كلية الاقتصاد - جامعة حلب. أظهر النموذج المقترح انخفاض في درجة التعقيد، من خلال انخفاض عدد الأوزان بالإضافة إلى دقة تصنيف مرتفعة، وزمن تدريب أقل من نموذج شبكة عصبونية متعددة الطبقات ANN غير معدل.

This paper aims to propose a multilayer neural network model based on Factor Analysis and K-means algorithm by integrating them into the neural network architecture. Factor analysis reduces the number of primary data dimensions and puts the output factors into the input layer. The data is then collected according to K-means Algorithm depending on extracted factors to obtain two clusters representing the decision variable by engaging all relevant variables in the algorithm. Hereafter, the output is placed in the output layer; then the proposed neural network model is trained. For the purpose of comparison, the model was tested on a database of Multivariat for the electronic library at the Faculty of Economics at the University of Aleppo. The proposed model showed a decrease in complexity degree through a decrease in the number of weights. In addition, it showed a high classification accuracy and a lower training time than an unmodified ANN model.

ISSN: 2313-7592