research centers


Search results: Found 33

Listing 1 - 10 of 33 << page
of 4
>>
Sort by

Article
Anemia Blood Cell localization Using Modified K- Means Algorithm

Authors: Loay E.George --- Huda M.Rada --- Mela.G.Abdul-Haleem
Journal: Journal of Al-Qadisiyah for Computer Science and Mathematics مجلة القادسية لعلوم الحاسوب والرياضيات ISSN: 20740204 / 25213504 Year: 2019 Volume: 11 Issue: 2 Pages: Comp Page 9-21
Publisher: Al-Qadisiyah University جامعة القادسية

Loading...
Loading...
Abstract

In this project segmentation of image strategy based on K-means clustering calculation is displayed. The proposed strategy utilizes clustering to allocate the dominant colors in medical tissue images for purpose of segmentation with high performance. The initialization step of the system is the selection of suitable color model used for segmentation. A set of inter and intra-class measures are used to evaluate the degree of model suitability. The method is able to make segmentation at different classification resolutions. For purpose of performance evaluation the comes about of the proposed strategy, standard K-Means and as of late altered K-Means are compared. The exploratory comes about appeared that the proposed strategy gives superior result.


Article
Satellite Images Unsupervised Classification Using Two Methods Fast Otsu and K-means
التصنيف الغير موجه للصور الفضائية بأستعمال المصنفين اوتسو السريع والمعدل المتعدد

Authors: Amaal J. Hatem آمال جبار حاتم --- Taghreed A. H. Naji تغريد عبد الحميد ناجي --- Hameed M. Abduljabar حميد مجيد عبد الجبار
Journal: Baghdad Science Journal مجلة بغداد للعلوم ISSN: 20788665 24117986 Year: 2011 Volume: 8 Issue: 2عدد خاص بمؤتمر الفيزياء Pages: 602-606
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Two unsupervised classifiers for optimum multithreshold are presented; fast Otsu and k-means. The unparametric methods produce an efficient procedure to separate the regions (classes) by select optimum levels, either on the gray levels of image histogram (as Otsu classifier), or on the gray levels of image intensities(as k-mean classifier), which are represent threshold values of the classes. In order to compare between the experimental results of these classifiers, the computation time is recorded and the needed iterations for k-means classifier to converge with optimum classes centers. The variation in the recorded computation time for k-means classifier is discussed.

يستعرض البحث استعمال المُصنِفين اوتسو السريع (Fast Otsu) والمعدل المتعدد (K-Means) لأجل إيجاد حد العتبات الأمثل للفصل. قدمت طرائق الفصل الخالية من المتغيرات المساعدة إجراء كفوءً لأجل فصل المناطق (الأصناف) باختيارها مستوى الشدة الأمثل, إما باستخدام مستويات الشدة لمنحني الاحتمالية (Histogram) للصورة (كما في مُصنِف اوتسو), او مستويات الشدة للصورة نفسها (كما في مُصنِف المعدل المتعدد), التي تقدم حدود العتبة للأصناف. للمقارنة بين النتائج العملية لهذين المصنفين, تم تسجيل الوقت المستغرق للتنفيذ وعدد التكرارات المطلوبة للمُصنِف المعدل المتعدد للوصول لمراكز الأصناف المثلى.وقد تمت مناقشة التفاوت في الوقت المسجل للمنصف المعدل المتعدد.


Article
Modify Initialization k-means Clustering Algorithm to Generate Initial Centroids

Author: Lamia AbedNoor Muhammed لمياء عبدنور محمد
Journal: Journal of Al-Qadisiyah for Computer Science and Mathematics مجلة القادسية لعلوم الحاسوب والرياضيات ISSN: 20740204 / 25213504 Year: 2014 Volume: 6 Issue: 2 Pages: 176-185
Publisher: Al-Qadisiyah University جامعة القادسية

Loading...
Loading...
Abstract

K-means is one of the most common clustering techniques used with numeric data. Different issues are conducted in k-means algorithm in order to reach the optimum solutions with best situations, weather producing good results or the ways used to produce the results efficiently. Initial centroids of this algorithm play important role, so the generation initial centroids attracting more work. However, this paper aims to discuss a new proposed step to improve the generation of initial centroids i.e. modification the first iteration of k-means algorithm. The experiment work of this paper would be applied with one of the famous data that is "iris", this data is suited with k-means algorithm. The experiments were tested with the origin k-means algorithm in two parameters: "execution time" and "cost function" that is represented by sum square error SSE. The results are promise work with this modification


Article
Application of Clustering as a Data Mining Tool in Bp systolic diastolic

Authors: Dr. Zeki S. Tywofik --- Ali T. YASEEN
Journal: Journal of College of Education مجلة كلية التربية ISSN: 18120380 Year: 2016 Issue: 3 Pages: 321-326
Publisher: Al-Mustansyriah University الجامعة المستنصرية

Loading...
Loading...
Abstract

This work demonstrates the application of clustering , a data mining tool, in the health care system. Hemoglobin A1c is the most parameters for the monitoring of metabolic control of patients with diabetes mellitus[1]. The aim of this study is to determine the reference rang of glycosylated hemoglobin (Hb A1c%) in an Iraqi population (males and females ) effect and predict Bp systolic diastolic( Blood pressure systolic diastolic) by using demonstrates the application of clustering, as data mining tool, in the health care system. Data mining has the capability for clustering, prediction, estimation, and pattern recognition by using health databases.Blood samples were collected from 100 healthy subjects ( 50 females and 50 males ) are ranged between (20-75) years old as dataset. The reference value of HbA1c% was (5.34 + 0.67)% in female and (5.67 + 0.73)% in males. The present clustering and found a strong relation between HbA1c% and systolic diastolic blood pressure in males whereas the relation in females no significant


Article
Genetic Algorithm based Clustering for Intrusion Detection
العنقدة على أساس الخوارزميات الجينية لكشف التسلل

Authors: Noor Fouad نور فؤاد --- Sarab M. Hameed سراب مجيد حميد
Journal: Iraqi Journal of Science المجلة العراقية للعلوم ISSN: 00672904/23121637 Year: 2017 Volume: 58 Issue: 2B Pages: 929-938
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Clustering algorithms have recently gained attention in the related literature since they can help current intrusion detection systems in several aspects. This paper proposes genetic algorithm (GA) based clustering, serving to distinguish patterns incoming from network traffic packets into normal and attack. Two GA based clustering models for solving intrusion detection problem are introduced. The first model coined as GA #1 handles numeric features of the network packet, whereas the second one coined as GA #2 concerns all features of the network packet. Moreover, a new mutation operator directed for binary and symbolic features is proposed. The basic concept of proposed mutation operator depends on the most frequent value of the features using mode operator. The proposed GA-based clustering models are evaluated using Network Security Laboratory-Knowledge Discovery and Data mining (NSL-KDD) benchmark dataset. Also, it is compared with two baseline methods namely k-means and k-prototype to judge their performance and to confirm the value of the obtained clustering structures. The experiments demonstrate the effectiveness of the proposed models for intrusion detection problem in which GA #1 and GA #2 models outperform the two baseline methods in accuracy (Acc), detection rate (DR) and true negative rate (TNR). Moreover, the results prove the positive impact of the proposed mutation operator to enhance the strength of GA#2 model in all evaluation metrics. It successfully attains 6.4, 5.463 and 3.279 percentage of relative improvement in Acc over GA #1 and baseline models respectively.

مؤخراً حصلت خوارزميات التجميع على اهتمام من قبل البحوث ذات العلاقة حيث تساعد أنظمة الكشف الحالية في نواحي عدة . هذا البحث يقترح الخوارزمية الجنية باعتماد على تقنية التجميع , حيث تساعد لتمييز الأنماط القادمة الى الشبكة فيما اذا كانت نمط طبيعي او نمط هجومي. تم تقديم نموذجين لمشكلة كشف التسلل النموذج الأول أطلق عليه أسم GA #1 حيث يتعامل مع ميزات حزمة شبكة الرقمية ، بينما اطلق على النموذج الثاني GA #2 التي تتعامل مع كل ميزات حزمة الشبكة. علاوة على ذلك , تم اقتراح معامل طفرة جديد لميزات الثنائية والرمزية لحزمة الشبكة . حيث ان المفهوم الرئيسي للمعامل الطفرة المقترح يعتمد على القيمة الاكثر تكرار للميزات حزمة الشبكة باستخدام معامل . mode ولغرض تقييم الخوارزمية الجينية باعتماد على تقنية التجميع المقترحة لكشف التسلل يتم باستخدام مجموعة بيانات NSL-KDD ومقارنتها مع طريقتين هما k-means, k-prototype للحكم على أدائها وأثبات القيم التي تم الحصول عليها من التجميع .اتثبت التجارب العملية فعالية النماذج المقترحة لمشكلة كشف التسلل . أن نماذج المقترحة GA # 1 و GA # 2 تمتاز بأداء متفوق على الأساليب التقليدية في كافة المقاييس من حيث مقياس( ACC)، كشف معدل الكشف (DR) ومعدل سلبي صحيح (TNR). وعلاوة على ذلك، فإن النتائج ثبتت الأثر الإيجابي للعامل الطفرة المقترح لمضاعفة قوة نموذج الثاني GA #2 في كل المقاييس التقييم. حيث حصلت GA #2 على اعلى تحسن نسبي مئوي في معيار الدقة 6.4، 5.463 و 3.279 بالنسبة الى GA #1 و الطرق التقليدية.


Article
Image Processing of SEM Image Nano Silver Using K-means MATLAB Technique

Author: Elham Jasim Mohammad*, Aseel Mustafa Abdul Majeed, Faten Sajet Mater, Sanar Gasid Hassan, Ishraq Ahmed Shakir, Farouk Khalid Shaker
Journal: Al-Mustansiriyah Journal of Science مجلة علوم المستنصرية ISSN: 1814635X Year: 2018 Volume: 29 Issue: 3 ICSSSA 2018 Conference Issue Pages: 150-157
Publisher: Al-Mustansyriah University الجامعة المستنصرية

Loading...
Loading...
Abstract

Nanotechnology is one of the non-exhaustive applications in which image processing is used. For optimal nanoparticle visualization and characterization, the high resolution Scanning Electron Microscope (SEM) and the Atomic Force Microscope (AFM) are used. Image seg-mentation is one of the critical steps in nanoscale processing. There are also different ways to reach retail, including statistical approximations.In this study; we used the K-means method to determine the optimal threshold using statistical approximation. This technique is thor-oughly studied for the SEM nanostructure Silver image. Note that, the image obtained by SEM is good enough to analyze more recently images. The analysis is being used in the field of nanotechnology. The K-means algorithm classifies the data set given to k groups based on certain measurements of certain distances. K-means technology is the most widely used among all clustering algorithms. It is one of the common techniques used in statistical data analysis, image analysis, neural networks, classification analysis and biometric information. K-means is one of the fastest collection algorithms and can be easily used in image segmenta-tion.The results showed that K-means is highly sensitive to small data sets and performance can degrade at any time. When exposed to a huge data set such as 100.000, the performance increases significantly. The algorithm also works well when the number of clusters is small. This technology has helped to provide a good performance algorithm for the state of the im-age being tested.

تعد تقنية النانو واحدة من بين قائمة التطبيقات غير الشاملة التي تستخدم فيها معالجة الصور. ولتصور وتوصيف البنية النانوية بشكل مثالي، يتم استخدام الماسح الضوئي ذو الدقة العالية (SEM) ومجهر القوة الذرية (AFM). وتعتبر عملية تجزئة الصورة واحدة من الخطوات الحاسمة في معالجة الصور النانوية. كما إن هنالك طرق مختلفة للوصول إلى التجزئة ومنها طرق التقريب الإحصائية.في هذه الدراسة، استخدمنا طريقةK-meansلتحديد العتبة المثلى باستخدام التقريب الإحصائي. تمت دراسة هذه التقنية لصورة الماسح الضوئي ذو الدقة العالية للفضة النانوية. علما إن الصورة التي تم الحصول عليها عن طريق SEM جيدة بما يكفي لتحليلها.وفي الآونة الأخيرة يستخدم تحليل الصور في مجال تكنولوجيا النانو.إن خوارزميةK-means تقوم بتصنيف مجموعة البيانات المعطاة إلى مجموعات k استناداً إلى قياسات معينة لبعض المسافات. ان تقنية K-means هي الأكثر استخداما على نطاق واسع بين جميع خوارزميات التجميع. وهي واحدة من التقنيات الشائعة المستخدمة في تحليل البيانات الإحصائية، تحليل الصور، الشبكات العصبية، تحليل التصنيف والمعلوماتية الحيوية. حيث يعتبرK-means واحدًا من أسرع خوارزميات التجميع ويمكن استخدامه بسهولة في تجزئة الصور.وأظهرت النتائج أن K-means حساس للغاية لمجموعات البيانات الصغيرة ويمكن أن يتدهور الأداء في أي وقت. وعندما يتعرض إلى مجموعة بيانات ضخمة مثل 100000، يزداد الأداء بسرعة ملحوظة. وتعمل الخوارزمية أيضًا بشكل جيد عندما يكون عدد التجمعات صغيراً. لقد ساعدت هذه التقنية في تقديم الأداء الجيد للخوارزمية لحالة الصورة التي تم اختبارها.


Article
Split and Merge Regions of Satellite Images using the Non-Hierarchical Algorithm of Cluster Analysis
شطر ودمج المناطق لصور الاقمار الصناعية بأستخدام خوارزمية التحليل العنقود غير الهرمية

Authors: اسماء غالب الراوي --- محمد عبد الودود محمد
Journal: journal of Economics And Administrative Sciences مجلة العلوم الاقتصادية والإدارية ISSN: 2227 703X / 2518 5764 Year: 2019 Volume: 25 Issue: 111 Pages: 466-484
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Abstract:Image segmentation is one of main and necessary goals in image processing for digital image, it seeks to segment the studied images into multiple useful regions that summarizing interest regions for satellite images, which are multispectral images equipped by satellites using the concept of remote sensing, which has become an important concepts that it's applications used in most of the necessities of daily life, especially after the rapid developments in various fields of life that many of these fields have used algorithms and software techniques, these images are very necessary to enable us to study a wide range of goals in many scientific fields, in this research, the nonhierarchical cluster analysis algorithm was used as a method of image segmentation (splitting and merging regions) in order to demonstrate the importance of using statistical methods in image processing tasks, such as image segmentation, where (K-Means) technique was used to implement this task, this algorithm was applied on multispectral satellite image of a scene from western Iraq, where the results showed the flexibility of this algorithm in dealing with the disparity in the lighting of color image pixels and it's efficiency of formation clustering region that composed from groups of homogeneous pixels in there degree of illumination intensity, finally, the ability of this algorithm to give a good quality images which are measured using peak signal to noise ratio (PSNR) scale to measure image quality

يعد التقطيع الصوري من الاهداف الرئيسة والضرورية في المعالجات الصورية للصور الرقمية، فهو يسعى الى تجزئة الصور المدروسة الى مناطق متعددة اكثر نفعاً تلخص فيها المناطق ذات الافادة لصور الاقمار الصناعية، وهي صور متعددة الاطياف ومجهزة من الاقمار الصناعية باستخدام مبدأ الاستشعار عن بعد والذي اصبح من المفاهيم المهمة التي تُعتمد تطبيقاته في اغلب ضروريات الحياة اليومية، وخاصة بعد التطورات المتسارعة التي شهدتها ميادين الحياة المختلفة والتي كثيراً منها طرقت بابها خوارزميات وتقنيات البرمجيات، فهذه الصور تعد ضرورية جداٌ لتمكيننا من دراسة طيف واسع من الاهداف في العديد من الجوانب العلمية، في هذا البحث استخدمت خوارزمية التحليل العنقودي غير الهرمية كطريقة للتقطيع الصوري (شطر ودمج المناطق) بهدف عرض اهمية استخدام الاساليب الاحصائية في مهام المعالجة الصورية مثل التقطيع الصوري، حيث اعتمد على تقنية (K-Means) لتنفيذ هذه المهمة، وقد طبقت خوارزمية هذه التقنية على صورة اقمار صناعية متعددة الاطياف لمشهد غربي العراق، حيث اظهرت النتائج مدى مرونة هذه الخوارزمية في التعامل مع التفاوت في اضاءة العناصر الصورية للصورة الملونة وكفاءة تكوينها لمناطق العناقيد المتكونة من مجاميع من العناصر الصورية المتجانسة في درجة شدة اضاءتها، واخيراً قدرة هذه الخوارزمية على اعطاء صور تتميز بجودتها والتي قيست على وفق مقياس ارتفاع اشارة نسبة الضوضاء (Peak Signal to Noise Ratio (PSNR)) لقياس جودة الصورة.


Article
Data Mining based Prediction of Medical data Using K-means algorithm

Author: Dr. Bushra M. Hussan
Journal: basrah journal of science البصرة للعلوم ISSN: 18140343 Year: 2012 Volume: 30 Issue: 1A english Pages: 46-56
Publisher: Basrah University جامعة البصرة

Loading...
Loading...
Abstract

Data mining is one of the knowledge discovery steps in database, in which modelling techniquesare applied. In this paper, K-means method is applied for dealing with medical database forclustering. To increase the efficiency of mining process, some pre-processing need to be done to thedata. Experimental results showed the good accuracy when applied to the adjust data.


Article
New Three Methods for Improving Initialization of k-Means Clustering

Author: Abbas H. Hassin Alasadi* , Moslem Mohsinn Khudhair
Journal: basrah journal of science البصرة للعلوم ISSN: 18140343 Year: 2013 Volume: 31 Issue: 2A Computer conference Pages: 73-85
Publisher: Basrah University جامعة البصرة

Loading...
Loading...
Abstract

The traditional k-means algorithm is a classical clustering method which widely used in variant application such as image processing, computer vision, pattern recognition and machine learning. It is known that, the final result depends on the initial starting points. Generally, initial cluster centers are selected randomly, so the algorithm could not lead to the unique result. In this paper, we present a new algorithm which includes three methods to compute initial centers for k-means clustering. First one is called geometric method which depends on equal areas of distribution. The second is called block method which segments the image into uniform areas. The last method called hybrid which combined between first and second methods. The experimental results appeared quite satisfactory.


Article
MSOM: Modified Self Organizing Map for Faster Winning Cluster Detection
تعديل خريطة التنظيم الذاتي لتحديد اسرع للمجموعة الفائزة

Authors: اثير رحيم محسن --- Atheer R. Muhssen --- Abeer T. AL-obaidy عبير طارق العبيدي
Journal: Iraqi Journal of Information Technology المجلة العراقية لتكنولوجيا المعلومات ISSN: 19948638/26640600 Year: 2017 Volume: 7 Issue: 4 اللغة الانكليزية Pages: 144-163
Publisher: iraqi association of information الجمعية العراقية لتكنولوجيا المعلومات

Loading...
Loading...
Abstract

There are large number of modern techniques in today’s world which is evolving for collecting big data at different databases. Organized information investigation techniques are important to pick up/concentrate valuable data from quickly developing datasets. K-means Clustering investigation strategy is one of the generally utilized expository strategies as a part of numerous information mining applications. This paper including two stages in dealing with large and big datasets, the first stage discusses two clustering algorithms Self Organizing Map (SOM) and k-means about Performance Evaluation of K-Means and SOM Clustering. Using (C# and Matlab) programming language and the performance for k-means and SOM clustering algorithm is calculate based on the accuracy and running time.The second stage proposed modified self-organizing map(MSOM)to select winner cluster and extract this cluster from rapidly growing datasets which contain a hundred or more clusters in a very little time. This modification will appeared in two places in SOM standard algorithm. Evaluation results and conclusion will discuss in the last section. The purpose of the proposed Modified Self Organizing Map (MSOM) is to facilitate the search and access to the class that contains the desired product in the case of high number of classes where the proposed method to finding the best Class containing the desired product.

هناك عدد كبير من التقنيات الحديثة في عالم اليوم المتطور لجمع البيانات الكبيرة في قواعد البيانات المختلفة. أساليب تحليل البيانات المنظمة ضرورية للحصول على استخراج المعلومات المفيدة من قواعد البيانات التي تنمو بسرعة. طريقة K-meanلتحليل المجموعات هي إحدى الطرق المستخدمة على نطاق واسع في العديد من التطبيقات التحليلية لتنقيب البيانات. يتضمن هذا البحث مرحلتين في التعامل مع قواعد البيانات الكبيرة ومجاميع البيانات الكبيرة، المرحلة الأولى تناقش خوارزميتين اثنتين هما خريطة التنظيم الذاتي ( (SOMو K-mean حول تقييم أداء مجموعات الK-mean و SOM باستخدام اللغات البرمجية (C# و Matlab) وحساب ادائية خوارزميات المجاميع (SOM و K-mean)على أساس الدقة ووقت التنفيذ. المرحلة الثانية تقترح تعديل خريطة التنظيم الذاتي (MSOM) لتحديد الكتلة الفائزة واستخراج هذه المجموعة من مجموعات البيانات التي تنمو بسرعة والتي تحتوي على مئات أو أكثر من المجاميع في اقل وقت ممكن. وظهر هذا التعديل في مكانين في خوارزمية SOM القياسية. نتائج التقييم والاستنتاجات سيتم مناقشتها في الجزء الاخير.والغرض من هذا التعديل الذاتي تنظيم خريطة المقترحة (MSOM) هو لتسهيل البحث والوصول إلى الفئة التي تحتوي على المنتج المطلوب في حالة ارتفاع عدد الصفوف حيث الطريقة المقترحة لإيجاد أفضل الدرجة التي تحتوي على المنتج المطلوب.

Listing 1 - 10 of 33 << page
of 4
>>
Sort by
Narrow your search

Resource type

article (33)


Language

English (26)

Arabic (2)

Arabic and English (2)


Year
From To Submit

2019 (7)

2018 (8)

2017 (5)

2016 (3)

2015 (2)

More...