الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 101 |  |  |
| | | from | 101 | | |
Abstract
فى الوقت الحاضر، تعتبر معالجة البيانات بطريقة فعالة ضرورة ملحه لعديد من المستخدمين، لذلك فانة يوجد العديد من التقنيات التى تعتمد على التصحيح مثل الاحصاءات والتنقيب عن البيانات وعلوم الحاسب التى من الممكن ان تستخدم فى تحليل مجموعات البيانات ذات الحجم الكبير مثل تقليل الابعاد والتصنيف والشبكات العصبيه وما الى ذلك.. .ان الباحثون استمروا فى تحسين هذة التقنيات وتطوير تقنيات جديدة لملاحقة المتطلبات اللازمة لتحليل البيانات الكبيرة. ان هذة الدراسة تقدم نظرية اساسية لمعالجة البيانات عن طريق دمج خورازمية ((PCA مع خوارزمية ((EELM. ان هذه النظرية المقترحة تتكون من مكونين اساسين وهما؛ الاول ((PCA وهى تقنيه تحليل المكونات الاساسية التى يتم بناءها لتقليل الابعاد عن طريق حذف الخصائص الغير مرغوب فيها لزيادة قدرة المصنف وتقليل درجة تعقيد الحسابات اللازمة لمعالجة البيانات ، والتانى (ُEELM) ويتم تنفيذة عن طريق تعديل داله الطبقات المخفيه الخاصة بالشبكة العصبية لتقنية(ELM) ، اما بخصوص عدد الطبقات المخفية المستخدمة فى بناء (EELM)يتم تحسينها باستخدام تقنية سرب الجسيمات (PSO) للحصول على (OEELM)، ولكن هذة النظرية المقترحة (PCA-EELM)تتطلب تحديد عدد المكونات الاساسية المراد الوصول اليها ، ولذلك تم عمل اقتراح طريقة مثلى تعتمد على (PSO) لتحديد العدد المناسب للابعاد المستخدمة (PCA) وبذلك يمكننا للحصول على (OPCA) . ان العدد المناسب للمكونات الاساسية ضرورى لتحويل البيانات ذات الابعاد الضخمه الى بيانات ذات ابعاد صغيرة وبذلك يتم تمثيل جيد لمجموعات البيانات ذات الحجم الكبير باستخدام عينة مرتبة من جميع الفئات بنفس التوزيع الخاص بكل فئة. واخيراً يتم دمج (OPCA) مع (EELM) للحصول على (OPCA-EELM2SS) لمعالجة البيانات الكبيرة. تم اجراء جميع الطرق المقترحة على مجموعات من البيانات المختلفة لمعالجة تصنيف البيانات الصغيرة والكبيرة على نطاق واسع من التطبيقات. كما ان جميع النتائج التجربية توضح مدى كفاءة وفعاليه الطرق المقترحة عن طريق اجراء مجموعة من التجارب المختلفة على (PCA and ICA) والتى يتم دمجها مع (EELM) . ولكثير من المصداقية ان حالطريقة المقترحة تم مقارنتها مع العديد من الاعمال السابقة الخاصة بمجالى تقليل الابعاد والتصنيف.