الفهرس 
AbstractOnly 14 pages are availabe for public view
 |  | from | 122 |  |  |
| | | from | 122 | | |
Abstract
فيما يتعلق بالدعاية والتقدم في شبكة الإنترنت وتكنولوجيا المعلومات ، يتم توفير كميات هائلة من وحدات تخزين البيانات في الحياة اليومية. ليس هناك شك في أن معالجة البيانات القابلة للتطوير هي اتجاه رئيسي يواجه المتخصصين في إدارة البيانات. من الصعب للغاية إدارة عمليات التعدين الفعالة للبيانات القابلة للتحجيم باستخدام المنهجيات الحالية والتقليدية وحلول استخراج البيانات نظرًا لكبر حجمها وتعقيدها.
أساليب التعلم الآلي غير الخاضعة للإشراف والإشراف عليها ؛ مثل التجميع والتصنيف والانحدار ، يجب تحسينه بذكاء وتحسينه من أجل استخراج البيانات القابلة للتطوير بطريقة تتسم بالكفاءة والفعالية. خوارزميات الذكاء التقليدي للسرب ؛ مثل تحسين سرب الجسيمات (PSO) ، تحتاج إلى مزيد من التحسين في أدائها لتكون أكثر قدرة على معالجة البيانات القابلة للتطوير بكفاءة وفعالية. باستخدام أساليب التعلم الآلي التقليدية الخاضعة للإشراف ؛ مثل انحدار متجه الدعم (SVR) ، لن يكون فعالًا بدرجة كافية للمعالجة بمقاييس I المختلفة لأن الانحدار يهدف إلى تحويل البيانات القادمة من مدخلات معينة إلى مساحة ميزة عالية الأبعاد وهذا سيستهلك وقتًا إضافيًا في الحساب.
الهدف الرئيسي من هذه الأطروحة هو اقتراح طريقة معالجة ذكية للبيانات القابلة للتطوير. تقوم هذه الطريقة بمعالجة متغير البيانات بكفاءة وفعالية في مقياس لأنه يعتمد على تحسين معلمات SVR باستخدام خوارزمية PSO محسّنة من أجل استغلال نموذج SVR محسّن في أي عملية تنبؤ أخرى.
تحتوي خوارزمية PSO على عنصرين رئيسيين يوفران التأثير الرئيسي لأداء PSO ، وهما معاملات تسارع متغير الوقت (TVAC) ووزن القصور الذاتي (IW). في المنهجية المقترحة ، يتم تعزيز PSO من خلال استكشاف تأثير معاملات تسارع متوازي الخطي المتغير (TVAC) في خوارزمية PSO التقليدية لتحقيق الخوارزمية المقترحة (PLTV-PSO). علاوة على ذلك ، يتم استغلال الخطية لوزن القصور الذاتي (IW) لاستكمال المزيد من التحسينات على خوارزمية PLTV-PSO من خلال اقتراح خوارزمية (PLTVACIW-PSO). أيضًا ، تتكامل الخوارزمية المقترحة PLTVACIW-PSO مع SVR عن طريق إنشاء الخوارزمية PLTVACIW-PSO-SVR لتحسين معلمات SVR.