A hybrid approach combining generalized normal distribution optimization algorithm and fuzzy C-means with Calinski-Harabasz index for clustering optimization

Moatasem Mahmood Ibrahim; Omar Saber Qasim; Talal Fadhil Hussein

doi:10.35784/iapgos.6921

PDF (angielski)

Opublikowane: 2025-09-30

DOI: https://doi.org/10.35784/iapgos.6921

Numer Tom 15 Nr 3 (2025)

Wyodrębnianie cech obiektów poprzez pojedyncze rzutowania tensora danych na macierze
Yuriy Bunyak, Roman Kvуetnyy, Olga Sofina, Volodymyr Kotsiubynskyi

5-9
Hybrydowe podejście łączące uogólniony algorytm optymalizacji rozkładu normalnego i rozmyte C-średnie ze wskaźnikiem Calińskiego-Harabasza do optymalizacji grupowania
Moatasem Mahmood Ibrahim, Omar Saber Qasim, Talal Fadhil Hussein

10-14
Metoda hybrydowych logicznych drzew klasyfikacyjnych opartych na grupowym wyborze cech dyskretnych
Igor Povkhan, Andrii Leheza, Oksana Mulesa, Olena Melnyk, Aliya Kintonova

15-21
Optymalne zarządzanie jakością energii elektrycznej w oparciu o podejście leksykograficzne
Yurii Voitiuk, Anatolii Volotskyi, Iuliia Shullie, Maiia Kovalchuk, Laura Duissembayeva

22-28
Wdrażanie energooszczędnych trybów suszenia elektroradiacyjnego materiałów zawierających olej przy użyciu narzędzi automatyzacji
Borys Kotov, Roman Kalinichenko, Serhii Stepanenko, Vasyl Lukach, Volodymyr Hryshchenko, Alvian Kuzmych, Yurii Pantsyr, Ihor Garasymchuk, Volodymyr Vasylyuk

29-32
Metody i środki laserowego mapowania macierzy Jonesa warstw polikrystalicznych płynów biologicznych
Olexander Ushenko, Iryna Soltys, Olexander Dubolazov, Sergii Pavlov, Vasyl Garasym, Alona Kolomiiets, Bakhyt Yeraliyeva

33-37
Klasyfikacja choroby Alzheimera na podstawie MRI przy użyciu transformera wizyjnego
Mohith Reddy Kandi, Sree Vijaya Lakshmi Kothapalli, Sivamsh Pavan Rajanala, Suvarna Vani Koneru, Vishnu Pramukh Vattikunta

38-44
Poprawa wczesnej diagnostyki choroby Parkinsona poprzez analizę pisma ręcznego
Asma Ouabd, Abdelilah Jilbab, Achraf Benba, Ahmed Hammouch

45-49
Biomechaniczne podstawy i zalety aktywnych ortez w terapii skoliozy idiopatycznej
Patrycja Tymińska-Wójcik

50-54
Zastosowanie technologii rozpoznawania twarzy w celu zwiększenia kontroli w systemach bezpieczeństwa informacyjnego
Nurzhigit Smailov, Rashida Kadyrova, Kamila Abdulina, Fatima Uralova, Nurgul Kubanova, Akezhan Sabibolda

55-58
System IoT z przekształtnikami częstotliwości wielkości fizycznych na FPGA
Oleksandr V. Osadchuk, Iaroslav O. Osadchuk, Valentyn K. Skoshchuk

59-66
Badanie możliwości zmniejszenia błędu pomiaru przesunięcia fazowego sygnałów radiowych
Sergey Matvienko, Grygoriy Tymchyk, Konstantin Vonsevych, Nataliia Stelmakh

67-72
Zastosowanie systemów czujników światłowodowych w monitorowaniu stanu technicznego konstrukcji betonowych
Nurzhigit Smailov, Akmaral Tolemanova, Amir Aziskhan, Beibarys Sekenov, Akezhan Sabibolda

73-76
Modelowanie cyklu pracy spiralnej sprężarki pompy ciepła
Bohdan Sydorchuk, Oleksandr Naumchuk

77-80
Modelowanie parkingów przechwytujących
Larysa Gumeniuk, Volodymyr Lotysh, Pavlo Humeniuk, Oleksandr Reshetylo, Yuriy Syrota

81-86
Opracowanie i badanie parametrów W potencjalnie niestabilnych czwórników w oparciu o matematyczny model postaci W tranzystorów polowych w zakresie wysokich częstotliwości
Oleksandr Voznyak, Kateryna Kovalova, Yurii Polievoda, Liudmyla Kolianovska, Svitlana Ovsienko, Alla Solomon

87-90
Wykrywanie informacji poufnych za pomocą dużych modeli językowych
Oleh Deineka, Oleh Harasymchuk, Andrii Partyka, Yurii Dreis, Yuliia Khokhlachova, Yuriy Pepa

91-99
Etyczna symulacja ataku phishingowego
Justyna Kęczkowska, Karol Wykrota, Mirosław Płaza

100-104
Skuteczność uczenia maszynowego w wykrywaniu stron phishingowych
Jacek Łukasz Wilk-Jakubowski, Aleksandra Sikora, Dawid Maciejski

105-109
Współczesne podejścia do integracji agentów AI z procesami informacyjnymi bibliotek
Mariia Sokil, Andriy Andrukhiv

110-116
Opracowanie adaptacyjnego algorytmu planowania opartego na uczeniu przez wzmacnianie dla inteligentnych kuchni komercyjnych
Konrad Kabala, Piotr Dziurzanski, Agnieszka Konrad

117-122
Optymalizacja technik głębokiego uczenia się poprzez łączenie modeli BiLSTM i BiGRU do przewidywania cen złota
Iqbal Kharisudin, Nike Yustina Oktaviani

123-130
Wirtualne kościoły w Polsce – analiza użyteczności i dostępności
Michał Mitura, Mariusz Dzieńkowski

131-137
Badanie procesu granulacji paszy w oparciu o analizę systemową – uzasadnienie kryteriów optymalizacji
Mahil Isa Mammadov

138-142

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

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Moatasem Mahmood Ibrahim

moatasem.23csp150@student.uomosul.edu.iq

University of Mosul, Department of Mathematics

https://orcid.org/0009-0006-5879-2196

Omar Saber Qasim

omar.saber@uomosul.edu.iq

University of Mosul, Department of Mathematics

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

Talal Fadhil Hussein

talal.math@uomosul.edu.iq

University of Mosul, Department of Mathematics

Abstrakt

W niniejszym artykule proponujemy nowe podejście hybrydowe, które łączy algorytm uogólnionej optymalizacji rozkładu normalnego (GNDOA) i klasteryzację rozmytych C-średnich (FCM). Zostało ono zaprojektowane do przetwarzania nienadzorowanych zbiorów danych. Pomysł ten ma na celu rozwój konwencjonalnych opcji funkcji i technik klasteryzacji. Proponowany GNDOA-FCM wykorzystuje koncepcję znormalizowanego rozkładu normalnego wraz z FCM w celu uzyskania dokładniejszych i wydajniejszych wyników klasteryzacji, co prowadzi do przyspieszenia wykrywania w badanym regionie. Wskaźnik Calińskiego-Harabasza pomaga znaleźć liczbę klastrów, które charakteryzują się wysoką zwartością w obrębie każdego klastra, a także w odniesieniu do innych klastrów. Wydajność proponowanego hybrydowego podejścia GNDOA-FCM została dokładnie przetestowana przy użyciu różnych zestawów danych benchmarkowych. Wyniki porównano z istniejącymi metodami klastrowania przy użyciu wskaźników oceny, takich jak wynik sylwetki i dokładność wyboru cech. Wyniki eksperymentów pokazują, że proponowana metoda może być elastycznie dostosowana w celu uzyskania wyższej jakości klastrowania i jest bardziej skuteczna niż konwencjonalne techniki.

Słowa kluczowe:

selekcja cech, uogólniony algorytm optymalizacji rozkładu normalnego, klastrowanie rozmytych C-średnich, eksploracja danych, wskaźnik Calińskiego-Harabasza

Bibliografia

[1] Al-Kababchee S. G. M., Qasim O. S., Algamal Z. Y.: Improving penalized regression-based clustering model in big data. Journal of Physics: Conference Series 1897, 2021, 012036.

[2] Al Kababchee S. G., Algamal Z. Y., Qasim O. S.: Improving Penalized-Based Clustering Model in Big Fusion Data by Hybrid Black Hole Algorithm. Fusion: Practice & Applications 11(1), 2023, 70–76.

[3] Alqhtani S. M., et al.: Improved Brain Tumor Segmentation and Classification in Brain MRI with FCM-SVM: A Diagnostic Approach. IEEE Access 12, 2024, 61312–61335.

[4] Ashari I. F., et al.: Analysis of elbow, silhouette, Davies-Bouldin, Calinski-Harabasz, and rand-index evaluation on k-means algorithm for classifying flood-affected areas in Jakarta. Journal of Applied Informatics and Computing 7(1), 2023, 95–103.

[5] Cebeci Z., Yildiz F.: Comparison of k-means and fuzzy c-means algorithms on different cluster structures. Journal of Agricultural Informatics 6(3), 2015, 13–23.

[6] Cui A., et al.: Global and regional prevalence of vitamin D deficiency in population-based studies from 2000 to 2022: A pooled analysis of 7.9 million participants. Frontiers in Nutrition 10, 2023, 1070808.

[7] El Touati Y., Slimane J. B., Saidani T.: Adaptive Method for Feature Selection in the Machine Learning Context. Engineering, Technology & Applied Science Research 14(3), 2024, 14295–14300.

[8] Géron A.: Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc. 2022.

[9] Haeri Boroujeni S. P., Pashaei E.: A hybrid chimp optimization algorithm and generalized normal distribution algorithm with opposition-based learning strategy for solving data clustering problems. Iran Journal of Computer Science 7(1), 2024, 65–101.

[10] Hasan F. M., et al.: Enhanced Unsupervised Feature Selection Method Using Crow Search Algorithm and Calinski-Harabasz. International Journal of Computational Methods and Experimental Measurements 12(2), 2024, 185–190.

[11] Hassani M., Seidl T.: Using internal evaluation measures to validate the quality of diverse stream clustering algorithms. Vietnam Journal of Computer Science 4, 2017, 171–183.

[12] Hussain I., Sinaga K. P., Yang M.-S.: Unsupervised multiview fuzzy c-means clustering algorithm. Electronics 12(21), 2023, 4467.

[13] Islam U. J., et al.: Dynamic exploration–exploitation trade-off in active learning regression with Bayesian hierarchical modeling. IISE Transactions 2024, 1–15.

[14] Ji B., et al.: A survey of computational intelligence for 6G: Key technologies, applications and trends. IEEE Transactions on Industrial Informatics 17(10), 2021, 7145–7154.

[15] Krasnov D., et al.: Fuzzy c-means clustering: A review of applications in breast cancer detection. Entropy 25(7), 2023, 1021.

[16] Munusamy S., Murugesan P.: Modified dynamic fuzzy c-means clustering algorithm–Application in dynamic customer segmentation. Applied Intelligence 50(6), 2020, 1922–1942.

[17] Possolo A.: Evaluating, Expressing, and Propagating Measurement Uncertainty for NIST Reference Materials. NIST Special Publication 260, 2020, 202.

[18] Rahman M. M., et al.: A review of machine learning methods of feature selection and classification for autism spectrum disorder. Brain sciences 10(12), 2020, 949.

[19] Raja V., et al.: Alleviation of cadmium-induced oxidative damage through application of zinc oxide nanoparticles and strigolactones in Solanum lycopersicum L. Environmental Science: Nano 11, 2024, 2633–2654.

[20] Song X., et al.: Evolutionary computation for feature selection in classification: A comprehensive survey of solutions, applications and challenges. Swarm and Evolutionary Computation 90, 2024, 101661.

[21] Tayyebi J., Hosseinzadeh E.: A fuzzy c-means algorithm for clustering fuzzy data and its application in clustering incomplete data. Journal of AI and Data Mining 8(4), 2020, 515–523.

[22] Tokat S., et al.: Fuzzy c-means clustering-based key performance indicator design for warehouse loading operations. Journal of King Saud University-Computer and Information Sciences 34(8), 2022, 6377–6384.

[23] Wang X., Xu Y.: An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index. IOP Conf. Ser.: Mater. Sci. Eng. 569(5), 2019, 052024.

[24] Yang K., et al.: Classification and evaluation of driving behavior safety levels: A driving simulation study. IEEE Open Journal of Intelligent Transportation Systems 3, 2022, 111–125.

[25] Zhan M.-F., et al.: Recent advances in statistical methodologies in evaluating program for high-dimensional data. Applied Mathematics-A Journal of Chinese Universities 37(1), 2022, 131–146.

[26] Zhang Y.: An improved generalized normal distribution optimization and its applications in numerical problems and engineering design problems. Artificial Intelligence Review 56(1), 2023, 685–747.

[27] Zhang Y., Jin Z., Mirjalili S.: Generalized normal distribution optimization and its applications in parameter extraction of photovoltaic models. Energy Conversion and Management 224, 2020, 113301.

[28] Zhao W., et al.: Comparison and application of SOFM, fuzzy c-means and k-means clustering algorithms for natural soil environment regionalization in China. Environmental Research 216, 2023, 114519.

Hybrydowe podejście łączące uogólniony algorytm optymalizacji rozkładu normalnego i rozmyte C-średnie ze wskaźnikiem Calińskiego-Harabasza do optymalizacji grupowania. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(3), 10-14. https://doi.org/10.35784/iapgos.6921

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

Numer Tom 15 Nr 3 (2025)

Archiwum

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

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

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

Licencja