IMPROVING PARAMETERS OF V-SUPPORT VECTOR REGRESSION WITH FEATURE SELECTION IN PARALLEL BY USING QUASI-OPPOSITIONAL AND HARRIS HAWKS OPTIMIZATION ALGORITHM

Omar Mohammed Ismael; Omar Saber Qasim; Zakariya Yahya Algamal

doi:10.35784/iapgos.5729

PDF (angielski)

Opublikowane: 2024-06-30

DOI: https://doi.org/10.35784/iapgos.5729

Numer Tom 14 Nr 2 (2024)

ŚLEDZENIE ZABURZEŃ RUCHU DŁONI ZA POMOCĄ SMARTFONA W OPARCIU O METODY WIZJI KOMPUTEROWEJ
Marko Andrushchenko, Karina Selivanova, Oleg Avrunin, Dmytro Palii, Sergii Tymchyk , Dana Turlykozhayeva

5-10
SPOSOBY ANALIZY PARAMETRÓW TRANSMISJI I ODTWORZENIA SYGNAŁU MOWY
Olexiy Azarov, Larysa Azarova, Iurii Krak, Leonid Krupelnitskyi, Anzhelika Azarova, Veronika Azarova

11-16
KONCEPCJA I WALIDACJA UKŁADU DO REJESTRACJI SYGNAŁÓW WIBROAKUSTYCZNYCH STAWU KOLANOWEGO
Robert Karpiński, Anna Machrowska, Marcin Maciejewski, Józef Jonak, Przemysław Krakowski

17-21
INSPIROWANE KOJOTAMI PODEJŚCIE DO PRZEWIDYWANIA TOCZNIA RUMIENIOWATEGO UKŁADOWEGO Z WYKORZYSTANIEM SIECI NEURONOWYCH
Sobhana Mummaneni, Pragathi Dodda, Naga Deepika Ginjupalli

22-27
ZMIANA CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWEJ FILTRA Z WYKORZYSTANIEM DŁAWIKA O PŁYNNIE REGULOWANEJ INDUKCJI
Vasyl Hudym, Vira Kosovska, Huthaifa Al_Issa, Taras Shchur, Oleksandr Miroshnyk, Sławomir Ziarkowski

28-33
BADANIE TRYBÓW ROZRUCHU JEDNOFAZOWYCH SILNIKÓW ASYNCHRONICZNYCH PRZY ZMIANIE PARAMETRÓW UZWOJEŃ STOJANA, KONDENSATORA PRZESUWAJĄCEGO FAZĘ I NAPIĘCIA ZASILANIA
Suad Omar Aldaikh, Mohannad O. Rawashdeh, Lina H. Hussienat, Mohamed Qawaqzeh, Oleksiy Iegorov, Olga Iegorova, Mykola Kundenko, Dmytro Danylchenko, Oleksandr Miroshnyk, Taras Shchur

34-41
OCENA CHARAKTERYSTYKI ENERGETYCZNEJ PROCESU SUSZENIA PODCZERWIENI NASION RZEPAKU I SOJI PRZY UŻYCIU WIRNIKA WIBRACYJNEGO
Igor Palamarchuk, Vladyslav Palamarchuk, Marija Zheplinska

42-46
UZASADNIENIE MOŻLIWOŚCI STWORZENIA ZINTEGROWANEGO ULTRADŹWIĘKOWEGO PRZETWORNIKA DO POMIARU ZUŻYCIA GAZU ZIEMNEGO
Yosyp Bilynsky, Аndrii Stetsenko, Konstantin Ogorodnik

47-50
NUMERYCZNE BADANIE MOŻLIWOŚCI WYKORZYSTANIA POŁĄCZEŃ KLEJOWYCH DO POŚREDNICH POMIARÓW ROZKŁADU NAPRĘŻENIA
Piotr Kisała, Paweł Wiśniewski

51-55
ZMODYFIKOWANA METODA ANALIZY WIDMOWEJ SYGNAŁÓW RADIOWYCH Z WYKORZYSTANIEM PODEJŚCIA OPERATORSKIEGO DLA TRANSFORMATY FOURIERA
Valentyn Sobchuk, Serhii Laptiev, Tetiana Laptievа, Oleg Barabash, Oleksandr Drobyk, Andrii Sobchuk

56-61
ITERACYJNE DEKODOWANIE KRÓTKICH KODÓW PARZYSTOŚCI O NISKIEJ GĘSTOŚCI W OPARCIU O EWOLUCJĘ RÓŻNICOWĄ
Mykola Shtompel, Sergii Prykhodko

62-65
PRZEGLĄD GENERATYWNYCH SIECI PRZECIWSTAWNYCH DLA ZASTOSOWAŃ BEZPIECZEŃSTWA
Swarajya Madhuri Rayavarapu, Shanmukha Prasanthi Tammineni, Sasibhushana Rao Gottapu, Aruna Singam

66-70
IoT DO PREDYKCYJNEJ KONSERWACJI KRYTYCZNEGO SPRZĘTU MEDYCZNEGO W STRUKTURZE SZPITALA
Maroua Guissi, My Hachem El Yousfi Alaoui, Larbi Belarbi, Asma Chaik

71-76
ZASTOSOWANIE SIECI NEURONOWYCH RESNET-152 DO ANALIZY OBRAZÓW Z UAV DO WYKRYWANIA POŻARU
Nataliia Stelmakh, Svitlana Mandrovska, Roman Galagan

77-82
IDENTYFIKACJA GLEB ZASOLONYCH W STREFIE PRZYBRZEŻNEJ DYSTRYKTU KRISHNA, ANDHRA PRADESH, Z WYKORZYSTANIEM DANYCH TELEDETEKCYJNYCH I TECHNIK UCZENIA MASZYNOWEGO
Govada Anuradha, Venkata Sai Sankara Vineeth Chivukula, Naga Ganesh Kothangundla

83-88
OCENA WYDAJNOŚCI WYKRYWANIA MASKI NA TWARZY NA PODSTAWIE WIELU MODYFIKACJI ARCHITEKTURY YOLOV8
Muna AL-Shamdeen, Fawziya Mahmood Ramo

89-95
OCENA ROZWIĄZAŃ INŻYNIERSKICH W ROZWOJU DZIAŁU ZAKUPÓW DLA WARSZTATU KONSTRUKCJI METALOWYCH
Bogdan Palchevskyi, Lubov Krestyanpol

96-100
OCENA SKUTECZNOŚCI PROGNOZOWANIA CEN BITCOINÓW PRZY UŻYCIU TECHNIK UCZENIA MASZYNOWEGO NA DANYCH HISTORYCZNYCH
Mamun Ahmed, Sayma Alam Suha, Fahamida Hossain Mahi, Forhad Uddin Ahmed

101-108
METODY INTELIGENTNEJ ANALIZY DANYCH Z WYKORZYSTANIEM SIECI NEURONOWYCH W DIAGNOZIE
Volodymyr Lyfar, Olena Lyfar, Volodymyr Zynchenko

109-112
POPRAWA PARAMETRÓW REGRESJI WEKTORA NOŚNEGO V Z RÓWNOLEGŁYM WYBOREM CECHY POPRZEZ WYKORZYSTANIE ALGORYTMU QUASI-OPOZYCYJNEGO I ALGORYTMU OPTYMALIZACJI HARRIS HAWKS
Omar Mohammed Ismael, Omar Saber Qasim, Zakariya Yahya Algamal

113-118
ADAPTACYJNY RÓŻNICZKOWY ALGORYTM EWOLUCYJNY ZE STRATEGIĄ DOSTOSOWYWANIA GRANIC DO ROZWIĄZYWANIA NIELINIOWYCH PROBLEMÓW IDENTYFIKACJI PARAMETRÓW
Watchara Wongsa, Pikul Puphasuk, Jeerayut Wetweerapong

119-126
MODELOWANIE WYBORU KURSU ONLINE DLA UMIEJĘTNOŚCI HIGIENY INFORMACJI METODĄ SAATY
Yuliia Rudenko, Karen Ahadzhanov-Honsales, Svitlana Ahadzhanova, Alla Batalova, Olena Bieliaieva, Artem Yurchenko, Olena Semenikhina

127-132
PRZEGLĄD OSIĄGNIĘĆ PRACOWNIKÓW POLITECHNIKI LUBELSKIEJ W DZIEDZINIE WYKORZYSTANIA ZBIORÓW ROZMYTYCH
Maciej Celiński, Adam Kiersztyn

133-140
SYMULACJA ROBOTYCZNYCH ZESPOŁÓW MECHATRONICZNYCH W PROGRAMIE V-REP
Laura Yesmakhanova

141-148

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Omar Mohammed Ismael

Omar_muhammed84@nan.epedu.gov.iq

Ministry of Education, Directorate of Education in Nineveh

https://orcid.org/0009-0005-6739-4790

Omar Saber Qasim

omar.saber@uomosul.edu.iq

University of Mosul, Department of Mathematics

https://orcid.org/0000-0003-3301-6271

Zakariya Yahya Algamal

zakariya.algamal@uomosul.edu.iq

University of Mosul, Department of Statistics and Informatics

https://orcid.org/0000-0002-0229-7958

Abstrakt

Liczne problemy występujące w świecie rzeczywistym rozwiązano za pomocą regresji wektora nośnego, w szczególności regresji wektora nośnego v (v-SVR), ale niektóre parametry wymagają ręcznej zmiany. Ponadto v-SVR nie obsługuje wyboru funkcji. Do identyfikacji cech i estymacji hiperparametrów wykorzystano techniki inspirowane naturą. W tym badaniu wprowadzono quasi-opozycyjną metodę optymalizacji Harris Hawks (QOBL-HHOA), aby osadzić selekcję cech i jednocześnie optymalizować hiperparametr v-SVR. Wyniki eksperymentów przeprowadzono przy użyciu czterech zbiorów danych. Wykazano, że pod względem predykcji, liczby możliwych do wybrania cech oraz czasu wykonania zaproponowany algorytm sprawdza się lepiej niż metody krzyżowej walidacji i wyszukiwania siatki. W porównaniu z innymi algorytmami inspirowanymi naturą wyniki eksperymentalne QOBL-HHOA pokazują jego skuteczność w poprawianiu dokładności przewidywań i czasu przetwarzania. Wykazuje również zdolność QOBL. Wyszukując optymalne wartości hiperparametrów, HHOA mogą zlokalizować funkcje, które są najbardziej przydatne w zadaniach predykcyjnych. W rezultacie algorytm QOBL-HHOA może być bardziej odpowiedni niż inne algorytmy do identyfikacji łącza danych pomiędzy cechami wejścia a pożądaną zmienną. Natomiast wyniki numeryczne wykazały wyższość tej metody nad wymienionymi metodami, na przykład błąd średniokwadratowy wyników metody QOBL-HHOA (2,05E-07) z zestawem danych dotyczących neuraminidazy grypy był lepszy niż w pozostałych. Jest to niezwykle pomocne przy przewidywaniu innych sytuacji w świecie rzeczywistym.

Słowa kluczowe:

regresja wektora v-nośnego, algorytm Harris hawks, wybór hiperparametrów, uczenie się quasi-opozycyjne

Bibliografia

Al-Fakih, A. et al.: A QSAR model for predicting antidiabetic activity of dipeptidyl peptidase-IV inhibitors by enhanced binary gravitational search algorithm. SAR and QSAR in Environmental Research 30(6), 2019, 403–416.

Al-Fakih A. et al.: QSAR classification model for diverse series of antifungal agents based on improved binary differential search algorithm. SAR and QSAR in Environmental Research 30(2), 2019, 131–143.

Algamal Z. Y. et al.: High‐dimensional QSAR prediction of anticancer potency of imidazo [4, 5‐b] pyridine derivatives using adjusted adaptive LASSO. Journal of Chemometrics 29(10), 2015, 547–556.

Al-Thanoon N. A., Qasim O. S., Algamal Z. Y.: A new hybrid firefly algorithm and particle swarm optimization for tuning parameter estimation in penalized support vector machine with application in chemometrics. Chemometrics and Intelligent Laboratory Systems 184, 2019, 142–152.

Al-Thanoon N. A., Qasim O. S., Algamal Z. Y.: Improving nature-inspired algorithms for feature selection. Journal of Ambient Intelligence and Humanized Computing 2022, 1–11.

Al-Thanoon N. A., Qasim O. S., Algamal Z. Y.: Tuning parameter estimation in SCAD-support vector machine using firefly algorithm with application in gene selection and cancer classification. Comput Biol Med 103, 2018, 262–268.

Al-Thanoon N. A., Qasim O. S., Algamal Z. Y.: Variable selection in gamma regression model using binary gray wolf optimization algorithm. Journal of Physics: Conference Series. 2020.

Cao G., Wu L.: Support vector regression with fruit fly optimization algorithm for seasonal electricity consumption forecasting. Energy 115, 2016, 734–745.

Cheng C.-T. et al.: Optimizing Hydropower Reservoir Operation Using Hybrid Genetic Algorithm and Chaos. Water Resources Management 22(7), 2007, 895–909.

Cheng J., Qian J., Guo Y.-N.: Adaptive chaotic cultural algorithm for hyperparameters selection of support vector regression. International Conference on Intelligent Computing. Springer 2009.

Cherkassky V., Ma Y.: Practical selection of SVM parameters and noise estimation for SVM regression. Neural networks 17(1), 2004, 113–126.

Chou J.-S., Pham A.-D.: Nature-inspired metaheuristic optimization in least squares support vector regression for obtaining bridge scour information. Information Sciences 399, 2017, 64–80.

Chuang C.-C., Lee Z.-J.: Hybrid robust support vector machines for regression with outliers. Applied Soft Computing 11(1), 2011, 64–72.

Fan Q., Chen Z., Xia Z.: A novel quasi-reflected Harris hawks optimization algorithm for global optimization problems. Soft Computing, 2020.

Ganesh N. et al.: Efficient feature selection using weighted superposition attraction optimization algorithm. Applied Sciences 13(5), 2023, 3223.

Golilarz N. A. et al.: A New Automatic Method for Control Chart Patterns Recognition Based on ConvNet and Harris Hawks Meta Heuristic Optimization Algorithm. IEEE Access 7, 2019, 149398–149405.

Heidari A. A. et al.: Harris hawks optimization: Algorithm and applications. Future Generation Computer Systems 97, 2019, 849–872.

Hong W.-C. et al.: SVR with hybrid chaotic genetic algorithms for tourism demand forecasting. Applied Soft Computing 11(2), 2011, 1881–1890.

Houssein E. H. et al.: Optimal Sink Node Placement in Large Scale Wireless Sensor Networks Based on Harris’ Hawk Optimization Algorithm. IEEE Access 8, 2020, 19381–19397.

Huang C.-F.: A hybrid stock selection model using genetic algorithms and support vector regression. Applied Soft Computing 12(2), 2012, 807–818.

Ismael O. M., Qasim O.S., Algamal Z.Y.: A new adaptive algorithm for v-support vector regression with feature selection using Harris hawks optimization algorithm. in Journal of Physics: Conference Series, 2021.

Ito K., Nakano R..: Optimizing support vector regression hyperparameters based on cross-validation. Proceedings of the International Joint Conference on Neural Networks, 2003.

Kaneko H., Funatsu K.: Fast optimization of hyperparameters for support vector regression models with highly predictive ability. Chemometrics and Intelligent Laboratory Systems 142, 2015, 64–69.

Kazem A. et al.: Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied Soft Computing 13(2), 2013, 947–958.

Kong D. et al.: Tool wear monitoring based on kernel principal component analysis and v-support vector regression. The International Journal of Advanced Manufacturing Technology 89(1–4), 2016, 175–190.

Laref R. et al.: On the optimization of the support vector machine regression hyperparameters setting for gas sensors array applications. Chemometrics and Intelligent Laboratory Systems 184, 2019, 22–27.

Li S., Fang H., Liu X.: Parameter optimization of support vector regression based on sine cosine algorithm. Expert Systems with Applications 91, 2018, 63–77.

Menesy S. A. et al.: Developing and Applying Chaotic Harris Hawks Optimization Technique for Extracting Parameters of Several Proton Exchange Membrane Fuel Cell Stacks. IEEE Access 8, 2020, 1146–1159.

Nait Amar M., Zeraibi N.: Application of hybrid support vector regression artificial bee colony for prediction of MMP in CO2-EOR process. Petroleum, 2018.

Naveh I. M. H. et al.: A Quasi-Oppositional Method for Output Tracking Control by Swarm-Based MPID Controller on AC/HVDC Interconnected Systems With Virtual Inertia Emulation. IEEE Access 9, 2021, 77572–77598.

Priyadarshini J. et al.: Analyzing physics-inspired metaheuristic algorithms in feature selection with K-nearest-neighbor. Applied Sciences 13(2), 2023, 906.

Qu C. et al.: Harris Hawks optimization with information exchange. Applied Mathematical Modelling 84, 2020, 52–75.

Rahnamayan S., Tizhoosh H. R., Salama M. M.: Quasi-oppositional differential evolution. IEEE congress on evolutionary computation, 2007. IEEE. regression with outliers. Applied Soft Computing 11(1), 2011, 64–72.

Schölkopf B. et al.: New support vector algorithms. Neural computation 12(5), 2000, 1207–1245.

Shaik K. et al.: Big Data Analytics Framework Using Squirrel Search Optimized Gradient Boosted Decision Tree for Heart Disease Diagnosis. Applied Sciences 13(9), 2023, 5236.

Shehabeldeen T. A. et al.: Modeling of friction stir welding process using adaptive neuro-fuzzy inference system integrated with harris hawks optimizer. Journal of Materials Research and Technology 8(6), 2019, 5882–5892.

Tizhoosh H. R.: Opposition-based learning: a new scheme for machine intelligence. in International conference on computational intelligence for modelling, control and automation and international conference on intelligent agents, web technologies and internet commerce – CIMCA-IAWTIC'06, 2005.

Too A., Mohd S..: A New Quadratic Binary Harris Hawk Optimization for Feature Selection. Electronics 8(10), 2019, 1130.

Tsirikoglou P. et al.: A hyperparameters selection technique for support vector regression models. Applied Soft Computing 61, 2017, 139–148.

Üstün B. et al.: Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization. Analytica Chimica Acta 544(1–2), 2005, 292–305.

Vapnik V. N.: An overview of statistical learning theory. IEEE transactions on neural networks 10(5), 1999, 988–999.

Wu C.-H., Tzeng G.-H., Lin R.-H.: A Novel hybrid genetic algorithm for kernel function and parameter optimization in support vector regression. Expert Systems with Applications 36(3), 2009, 4725–4735.

Xu S. et al.: An improved variable selection method for support vector regression in NIR spectral modeling. Journal of Process Control 67, 2018, 83–93.

Zhang J. et al.: Optimization enhanced genetic algorithm-support vector regression for the prediction of compound retention indices in gas chromatography. Neurocomputing 240, 2017, 183–190.

Zhao Y.-P., Sun J.-G.: Robust truncated support vector regression. Expert Systems with Applications 37(7), 2010, 5126–5133.

POPRAWA PARAMETRÓW REGRESJI WEKTORA NOŚNEGO V Z RÓWNOLEGŁYM WYBOREM CECHY POPRZEZ WYKORZYSTANIE ALGORYTMU QUASI-OPOZYCYJNEGO I ALGORYTMU OPTYMALIZACJI HARRIS HAWKS. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(2), 113-118. https://doi.org/10.35784/iapgos.5729

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 2 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja