research centers


Search results: Found 3

Listing 1 - 3 of 3
Sort by

Article
Support Vector Machines for Predicting Electrical Faults
ماكينات دعم المتجه للتنبوء بالاعطال الكهربائية

Authors: Tarik Rashid --- Salar J. Abdulhameed
Journal: Engineering and Technology Journal مجلة الهندسة والتكنولوجيا ISSN: 16816900 24120758 Year: 2014 Volume: 32 Issue: 8 Part (A) Engineering Pages: 1931-1941
Publisher: University of Technology الجامعة التكنولوجية

Loading...
Loading...
Abstract

Support vector machines (SVMs) are a non-probabilistic binary linear classifier in machine learning techniques and are supervised learning algorithms that classify, predict, recognise and analyse patterns. This technique was developed in early 1990s.Training algorithms of support vector machines help build a model that assigns new examples into one class or the other when a set of training examples is recycled in the training process. This feature in SVM has attracted many of researchers to develop SVM methods and their applications. In this paper work support vector machines are used to tackle electrical faults in single phase circuits. Support vectors machines are evaluated against Simple Linear Regression techniques. Support vector machines outperformed Simple Linear Regression techniques.

تعتبر ماكينات دعم المتجه من المصنفات الثنائية غير الاحتمالية في تعليم الماكنة وتعتبر من انواع الخوارزميات المعتمدة على المشرف والتي تصنف وتتنبأ وتميز وتحلل الاصناف. طورت هذه التقنية في بدايات عام 1990. خوارزميات التدريب لهذه الماكينات تساعد في بناء نموذج يخصص أمثلة جديدة لصنف واحد أو أكثر عندما تتم أعادة الامثلة في مرحلة التدريب. هذه الخاصية تستقطب عدة باحثين لتطوير طرق ماكينات دعم المتجه وتطبيقاتها. في هذا البحث تم استخدام ماكينات دعم المتجه لتشخيص الاعطال الكهربائية في دوائر الطور الواحد. بعد تقييم أداء ماكينات دعم المتجه بالمقارنة مع تقنية الانحدار الخطي البسيط، تفوقت ماكينات دعم المتجه على تقنية الانحدار الخطي البسيط.


Article
Evaluation of Different Data Mining Algorithms with KDD CUP 99 Data Set

Authors: Safaa O. Al-mamory --- Firas S. Jassim
Journal: Journal of University of Babylon مجلة جامعة بابل ISSN: 19920652 23128135 Year: 2013 Volume: 21 Issue: 8 Pages: 2663-2681
Publisher: Babylon University جامعة بابل

Loading...
Loading...
Abstract

Data mining is the modern technique for analysis of huge of data such as KDD CUP 99 data set that is applied in network intrusion detection. Large amount of data can be handled with the data mining technology. It is still in developing state, it can become more effective as it is growing rapidly.Our work in this paper survey is for the most algorithms Data Mining using KDD CUP 99 data set in the classification of attacks and compared their results which have been reached, and being used of the performance measurement such as, True Positive Rate (TP), False Alarm Rate(FP), Percentage of Successful Prediction (PSP) and training time (TT) to show the results, the reason for this survey is to compare the results and select the best system for detecting intrusion(classification). The results showed that the Data Mining algorithms differ in the proportion of determining the rate of the attack, according to its type. The algorithm Random Forest Classifier detection is the highest rate of attack of the DOS, While Fuzzy Logic algorithm was the highest in detection Probe attack. The two categories R2U and R2L attacks have been identified well by using an MARS, Fuzzy logic and Random Forest classifiers respectively.MARS getting higher accuracy in classification, while PART classification algorithm got less accuracy. OneR got the least training time, otherwise Fuzzy Logic algorithm and MLP algorithm got higher training time.

تعدين البيانات هي واحده من التقنيات الحديثه لتحليل البيانات الضخمه مثل بيانات KDD CUP 99 والمتخصصه في مجال اكتشاف الاختراقات. الهدف من البحث هو استعراض وتقييم لخوارزميات تعدين البيانات والتي تم تطبيقها على بيانات KDD CUP 99 لتصنيف الهجومات و قياس النتائج من ناحية الدقه والسرعه هذا من جانب، ومن جانب اخر اختيار افضل خوارزميه تصنيف مع هذه البيانات.اظهرت النتائج ان خوارزميات تعدين البيانات تتفاوت في اكتشاف الهجومات وتحديد صنفها. خوارزمية الغابات العشوائيه كانت صاحبة اعلى نسبة اكتشاف بالنسبه لهجومات الـ DOS بينما خوارزمية المنطق المضبب صنفت هجومات الــ Probe بنسبه عاليه. هجومات R2U و R2L تم تصنيفها بشكل جيد من قبل خوارزمية MARS، المنطق المضبب، و مصنف الاشجار العشوائيه على التوالي. خوارزمية MARS كانت صاحبة اعلى دقه في التصنيف بينما كانت خوارزمية PART رديئه جدا". خوارزمية ONER تم تدريبها باقل وقت بينما خوارزمية المنطق المضبب و خوارزمية MLP تدربت ببطئ.


Article
Constructing Support Vector Classifier Depending On The Golden Support Vector
إنشاء مصّنِف الموجِهات الساندة بالإعتماد على الموجِه الساند الذهبي

Author: Hesham Saleh Ridha هشام صالح رضا
Journal: Journal of Basrah Researches (Sciences) مجلة ابحاث البصرة ( العلميات) ISSN: 18172695 Year: 2014 Volume: 40 Issue: 2A Pages: 68-94
Publisher: Basrah University جامعة البصرة

Loading...
Loading...
Abstract

In order to increase the processing speed of online learning applications represented in its exigent requirement of reducing the amount of Support Vectors, this paper is devoted to present a durable algorithm to construct the well-known Support Vector Classifier, by capturing a unique Vector from each class of training instances. We called that Vector the (Golden Support Vector). Our algorithm had adopted basic mathematical tools for its constructional phases. The algorithm starts with applying its Hybrid Enclosing Mechanism in order to enclose two sets of mapped instances (Vectors) with the most optimistic non-overlapped curved spaces analogous to the instances distribution. This mechanism is considered as a spring point that leads us directly to separate these spaces with a Strong Separating Hyperplane. From both sides of that Hyperplane, two parallel Supporting Hyperplanes will be released settling down on the first detected Vector, which we called the Golden Support Vector. Each Supporting Hyperplane with its acquired Golden Vector is considered to be the basis to construct the edges of Maximal Margin of Separation Space; which offers best generalization ability not only to the trained instances but also to guarantee high predictive test accuracy for future instances from the same distribution

من اجل زيادة سرعة المعالجة لتطبيقات التلقين الآني المتمثٍلة بمطلبها الملحَ لتقليل عدد الموجٍهات الساندة؛ كرٍس هذا البحث لإظهار خوارزمية متينة لإنشاء مصّنِف الموجِهات الساندة الذائع الصيت، وذلك من خلال اغتنام موجٍه داعِم واحد من كل نوع من انواع الشواهد المدرّبة. اطلقنا على ذلك الموجٍه اسم (الموجِه الساند الذهبي). تبنّت خوارزميتنا وسائل رياضية اساسية في اطوارها الإنشائية. تبدأ الخوارزمية بتطبيق ميكانكيتها الهجينة للتطويق من اجل تطويق مجموعتين من الشواهد (الموجِهات) المرسومة بأفضل الفضاءات المثالية المماثلة لتوزيع تلك الشواهد والتي لاتتداخل مع بعضها بعضاً. تعتبر هذه الميكانيكية كنقطة انطلاق لأرشادنا مباشرة الى فصل تلك الفضاءات بمستوي فاصل متين. من جانبي هذا المستوي المتين سوف تطلق فضاءات ساندة لتستقر عند اول موجٍه مكتشف؛ الذي اطلقنا عليه اسم الموجه الساند الذهبي. يعتبر كل فضاء ساند مع موجهه الساند المحرز القاعدة الأساسية لبناء الحد الأكبر للفضاء المفصول؛ والذي له القدرة على توفير العمومية ليس فقط للشواهد المدربّة، بل للشواهد المستقبلية التي لها نفس توزيع الشواهد المدّربة. اخيراً سيتوسط الفضاء المنصف المثالي ذلك الحد الأكبر ليحذف كل الشواهد المتبقية.

Listing 1 - 3 of 3
Sort by
Narrow your search

Resource type

article (3)


Language

English (3)


Year
From To Submit

2014 (2)

2013 (1)