@Article{, title={A Novel Optimal Configuration of Neural Networks by Multi-Objective Genetic Algorithm and Ensemble-classifier approach التكوين الأمثل للشبكات العصبية من خلال الخوارزمية الجينية متعددة الأغراض ونهج مصنف المجموعات}, author={Khanapi Abd Ghan أ. د. خنابي عبد الغني and Jamal Kh-Madhloom جمال خضير مظلوم and Maryam Jawad Kadhim م. م. مريم جواد كاظم}, journal={Al-Kut University College Journal مجلة كلية الكوت الجامعة}, volume={6}, number={1}, pages={66-82}, year={2021}, abstract={Machine learning algorithms have been a hallmark of data mining in image and signal processing. Several studies have proposed various methods for improving classification accuracy. Artificial Neural network (ANN) is one of the most important data mining classification method among predictive algorithms. The performance of ANN is affected by several parameters such as a number of hidden layers neurons, learning function, stop conditions and network architecture. Parameter regulation is a point of critical challenge in this algorithm. The main purpose of this study is to provide a novel approach by using multi-objective genetic algorithm and ensemble classifier to obtain optimal parameters of ANN. To this end, first, a set of neural networks were trained by setting their parameters through the multi-objective genetic algorithm. Next, the best combination of neural networks was selected to make an ensemble classifier. This method was evaluated with five popular and available datasets. Three measurements; accuracy, time and ROC curve were considered to assess the efficiency. The experimental results show that the proposed approach can achieve a trade-off between time and accuracy by the multi-objective genetic algorithm. Moreover, using ensemble-classifiers approach, we increased the reliability of the model. Consequently, the proposed method promotes the detection accuracy in three of selected datasets in comparison of four recent suitable methods.

كانت خوارزميات التعلم الآلي سمة مميزة لاستخراج البيانات في معالجة الصور والإشارات. اقترحت العديد من الدراسات طرقًا مختلفة لتحسين دقة التصنيف. تعد الشبكة العصبية الاصطناعية (ANN) واحدة من أهم طرق تصنيف استخراج البيانات بين الخوارزميات التنبؤية. يتأثر أداء ANN بالعديد من المعلمات مثل عدد من الخلايا العصبية للطبقات المخفية ووظيفة التعلم وظروف التوقف وبنية الشبكة. تنظيم المعلمات هو نقطة التحدي الحاسمة في هذه الخوارزمية. الغرض الرئيسي من هذه الدراسة هو توفير نهج جديد باستخدام خوارزمية جينية متعددة الأهداف ومصنف مجموعة للحصول على المعلمات المثلى لـ ANN. تحقيقا لهذه الغاية، أولا، تم تدريب مجموعة من الشبكات العصبية من خلال تحديد معلماتها من خلال الخوارزمية الجينية متعددة الأهداف. بعد ذلك ، تم اختيار أفضل مزيج من الشبكات العصبية لعمل مصنف مجموعة. تم تقييم هذه الطريقة بخمس مجموعات بيانات شائعة ومتاحة. ثلاثة قياسات تم النظر في الدقة والوقت ومنحنى ROC لتقييم الكفاءة. تظهر النتائج التجريبية أن النهج المقترح يمكن أن يحقق مفاضلة بين الوقت والدقة بواسطة الخوارزمية الجينية متعددة الأهداف. علاوة على ذلك، باستخدام نهج مصنفات المجموعات ، قمنا بزيادة موثوقية النموذج. وبالتالي، فإن الطريقة المقترحة تعزز دقة الكشف في ثلاث من مجموعات البيانات المختارة مقارنة بأربع طرق مناسبة حديثة.} }