الفهرس 
غلافOnly 14 pages are availabe for public view
 |  | from | 167 |  |  |
| | | from | 167 | | |
Abstract
العميل البيني هو برنامج كمبيوتر يوظف طرق تعليم الآلة ليساعد المستخدم في التعامل مع تطبيق معين باستخدام الكمبيوتر، كما يعلم المستخدم طرق جديدة اقصر و يقترح عليه حلول أفضل لأداء هذه المهمة. ومع ذلك تحتاج العملاء إلى التعلم لتحافظ علي أدائها وكفاءتها في حل المشاكل ولكي يتعلم العميل لابد من تصميم طرق تعرفه كيف وماذا يتعلم. ولذلك تعتبر القدرة علي التكيف أو التعلم من الخبرة المتاحة هي العنصر المركزي في السلوك الذكي و تستخدم برمجة المستخدم النهائي أو هندسة المعرفة لتعليم العميل البيني كيف يكتسب معر فتة. ولكن أنظمة التعليم هذه تتطلب مجهود كبير من مهندس المعرفة علاوة علي أن معرفة العميل تكون ثابتة ولا يستطيع تعديلها لتناسب كل مستخدم علي حدة.
و في المجالات الطبية عالية التعقيد مثل تشخيص الصور الطبية فمهندس المعرفة لا يستطيع توقع كيف يساعد كل مستخدم ليصل إلي أهدافه ولذلك استخدمنا طرق تعليم الآلة لتعليم العميل البيني لحل المشاكل الناتجة من طريقة هندسة المعرفة أو من الطرق القائمة علي القواعد. وعلي الرغم من أن طرق تعليم الآلة تتمتع بمزايا عديدة إلا أنها تمتلك مجموعة من العيوب فمعظم طرق تعليم العميل منحني التعليم الخاص بها بطيء، حيث تتطلب عدد كافي من أمثلة التعليم حتى تكون قادرة علي التنبؤ بدقة. وخلال تلك الفترة يؤدي المستخدم مهامه بدون مساعدة العميل البيني . وعلي الرغم من تعلم العميل السلوك العام للمستخدم فعندما يواجه مواقف جديدة تمامًا يكون غير قادر علي التعامل معها. ولتوفير الوقت يقوم العميل بتعلم خبرات جديدة قبل الوصول للحد الأدنى للعمومية في حين يوجد عملاء مستخدمين آخرين جاهزين ويمتلكوا نفس هذه الخبرة وسبق التأكد من صحتها. ونظراً لوجود حالات كثيرة من الناس يعانوا من كسور في عظمة الفخذ وبالأخص الكسور الناتجة من السقوط و حوادث المواصلات. فالأطباء يعتمدون علي فني الأشعة للوقوف بدقة علي طبيعة الكسر مما يستدعي وجود نظام آلي لاكتشاف وتصنيف الكسور.
والرسالة قدمت إطار عمل من نظام العملاء المتعددين والذي يتكون من عميل بيني متلائم وأسميناه العميل المتلائم و مجموعة من العملاء المدربين بواسطة الشبكات العصبية وأسميناهم عملاء التعاون واستخلاص السمات المميزة من قاعدة بيانات الصور، لاكتشاف وتصنيف كسور الفخذ آلياً في صور أشعة اكس لنقلل من المجهود الشاق الذي يقوم به فني الأشعة ونحسن من كفائتة في التشخيص والعميل المتلائم يمدنا بنظام شبه ذكي مدرب بواسطة ”حوار مخصص” بما يهم المستخدم و أهدافه بالإضافة إلي مجموعة خيارات عامة. واستخدمنا طريقتين لاستخلاص السمات طريقة تحليل المكونات الأساسية (Principle Component Analysis) وأسميناها (EigenFemurs) وطريقة تحليل المكونات الأساسية بواسطة الشبكات العصبية وأظهرت النتائج التجريبية أن الطريقة الأولي أعطت 10.66 % نسبه خطأ في مقابل 8.66 % نسبة خطأ في الطريقة الثانية.
وقد ركزت هذه الرسالة علي أهمية التعاون بين العميل المتلائم والعملاء المدربين لنحصل علي القرار في نفس الوقت فعندما يواجه العميل المتلائم مواقف غير مألوفة له فإنه يتشاور مع أقرانه الذين لديهم الخبرة اللازمة لمساعدته وهم عميل التقطيع وعميل التصنيف وبذلك حسننا منحني التدريب. فضلاً عن أن الحوار المخصص يمدنا بآلية الاتصال بين العملاء وعرفنا عناصر الحدث بحيث تشتمل علي محتوي الرسالة بدلاً من آلية الاتصال الشائعة والمعروفة ب KQML التي تقوم بهذه المهمة وأظهرت نتائج المقارنة أن استخدام عملاء التعاون مع العميل البيني المتلائم أسرع 10 مرات من استخدام العميل البيني المتلائم بمفرده في أداء مهامه كما أظهرت أن جميع العملاء الموجودين داخل نظام العملاء المتعدين هم عملاء محقق فيهم كل خصائص العميل الذكي.
وفي عميل التقطيع استخدمنا طريقتين لتقطيع الصورة، الطريقة الآلية والطريقة الحوارية وأظهرت النتائج التجريبية أن الطريقة الآلية أعطت أقل من 15 % نسبه خطأ. كما قدمت الرسالة مجموعتين مختلفتين من الشبكات العصبية المختلطة داخل عميل التصنيف حتى تسمح لكل مستخدم باختيار خوارزم التدريب المناسب ليحقق كل أهدافه. والشبكة العصبية المختلطة الأولي استخدمت طريقة تحليل المكونات الأساسية مع الشبكة متعددة الطبقات لتصنيف كسور الفخذ والشبكة العصبية المختلطة الثانية استخدمت طريقة تحليل المكونات الأساسية مع شبكة المصنف المعتمد علي أقرب مجاور لتصنيف كسور الفخذ وأظهرت النتائج التجريبية أن الطريقة الأولي أعطت 5.75 % نسبه خطأ في مقابل 6.33 % في الطريقة الثانية. وبذلك يصبح نظامنا المقترح قادر علي اكتشاف كسور عظمة الفخذ آلياً بشرط تسريع العمليات التي تتم في مرحلة ما قبل المعالجة فيحرز أداء أفضل في التصنيف عن طريقة المتجهات المميزة 10.66% علي نفس قاعدة بيانات الصور والتي فيها عدد صور كل قطعة يتنوع من 1 إلي 5.