Data Stream Mining Using an Evolving Intelligent System

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Most of real world applications are able to generate the data stream. Data streams have unique characteristics anddifferent issues as well as it changes over time.The evolving system is presented as a convenient solution to overcome the issues of stream miningdue to theability to change its structureaccording to change of data behavior.Therefore, this dissertation presents an evolving intelligent system that based on the clustering technique to solve some problems of the stream mining.In the proposed system, the evolving Cauchy (e-Cauchy) algorithm is applied. Despite this algorithm isa successful algorithm for data stream clustering, but suffers from the large number of generated clusters therefore, this algorithm is developed to overcome this limitation. Moreover, the general clustering problem is the evaluation, which is solved by using deep learning method, that means it is used as an external evaluator. However, this method increases the accuracy of the network and ensures its stability by training the network with a non-constant (dynamic) learning rate value.Accordingly, the proposed system consists of two models, deep learning model (off line mode) and evolving clustering model (online mode).This proposed system aims to make a decision based fuzzy rules that changes over time to assign the data stream sample to a cluster accurately. In addition, the proposed system is capable to detect new data samples (that have not been previously trained) and then, create a new cluster.The number of stream datasets used to test the proposed system is eleven datasets that generated from different applications such as,sensor, monitoring systems, devices and diverse domains like, questionnaire, behavior recognition and human activity recognition.Moreover, these datasets have different environments, complexity, number of features and classes.The evaluation measurements for this system are, accuracy, precision, recall, F1-score and the silhouette coefficient.The accuracy, precision, recall and F1_score ranged from (88.75%, 88.74%, 88.75%, 88.74%)to (100.0%, 100.0%, 100.0%, 100.0%). While the improvement rate for the silhouette coefficient from 0.28 to0.99 among all datasets

روابط وملفات

التعريف والنوع

رقم الوثيقة

0742a344-17d1-4494-8598-866f35355dd9

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل دكتوراة

نوع الملف

pdf text

أسماء الملفات

994073_1.pdf

بيانات النشر

ترجمة العنوان

تعدين تدفق البيانات بإستخدام نظام ذكي متطور

ألقاب المؤلفين

[{"name_ar":"حسين عبد الأمير عباس فهد","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"نبيل هاشم كاغد جارالله","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

Data Stream Mining Using an Evolving Intelligent System

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

معظم تطبيقات العالم الحقيقي قادرة على توليد دفق البيانات. دفق البيانات لها خصائص فريدة و مشاكل مختلفة كما أنها تتغير بمرور الوقت. يتم تقديم النظام المتطور كحل مناسب للتغلب على مشكلات التنقيب في دفق البيانات بسبب القدرة على تغيير هيكله وفقًا لتغيير سلوك البيانات. لذلك، تقدم هذه الرسالة نظامًا ذكيًا متطورًا يعتمد على تقنية التجميع لحل بعض مشاكل التنقيب في دفق البيانات.في النظام المقترح، يتم تطبيق خوارزمية كوشي المتطورة (e-Cauchy). على الرغم من أن هذه الخوارزمية هي خوارزمية ناجحة لتجميع دفق البيانات، إلا أنها تعاني من العدد الكبير من المجموعات المتولدة، لذلك تم تطوير هذه الخوارزمية للتغلب على هذا القيد. علاوة على ذلك، فإن مشكلة التجميع العامة هي التقييم، والذي يتم حله باستخدام طريقة التعلم العميق وهذا يعني أنه يتم استخدامه كمقيم خارجي. ومع ذلك، فإن هذه الطريقة تزيد من دقة الشبكة وتضمن استقرارها من خلال تدريب الشبكة بقيمة معدل تعلم غير ثابت (ديناميكي). وفقًا لذلك ، يتكون النظام المقترح من نموذجين، نموذج التعلم العميق (وضع الاتصال) ونموذج التجميع المتطور (وضع غير متصل).يهدف النظام المقترح إلى اتخاذ قرار مبني على قواعد غامضة يتغير بمرور الوقت لتعيين عينة دفق البيانات إلى الفئة بدقة. بالإضافة إلى ذلك، فإن النظام المقترح قادر على اكتشاف عينات البيانات الجديدة (التي لم يتم تدريبها مسبقًا) ومن ثم، إنشاء مجموعة جديدة.عدد مجموعات البيانات المستخدمة لاختبار النظام المقترح هو أحد عشر مجموعة بيانات تدفق تم إنشاؤها من تطبيقات مختلفة مثل، أجهزة الاستشعار، أنظمة المراقبة والأجهزة وبمجالات متنوعة مثل الاستبيان، التعرف على السلوك والتعرف على النشاط البشري. علاوة على ذلك، تحتوي مجموعات البيانات هذه على بيئات مختلفة، تعقيدات مختلفة، وعدد مختلف من الميزات والفئات.قياسات التقييم لهذا النظام هي: الدقة، الإِتقان، الاسترجاع، درجة F1 ومعامل الصورة الظلية. تراوحت الدقة، الإِتقان، الاسترجاع ودرجة F1 من 88.75٪ ، 88.74٪ ،88.75٪ و 88.74٪ إلى (100%، 100%، 100% و 100%). بينما تراوح معدل التحسن لمعامل الصورة الظلية من 0.28 الى 0.99 بين جميع مجموعات البيانات.

كلمات الباحثين

Data Mining, Data Streams, Clustering, Deep Learning, Evolving System, Evolving Cauchy Algorithm

إشراف وإعداد

الإشراف

نبيل هاشم كاغد جارالله

الإعداد

حسين عبد الأمير عباس فهد

الاقتباسات الببليوغرافية