Saving energy or energy consumption represents the essential problem in the process of designing, deploying and operating any "wireless sensor networks" (WSN). Most of the available produced sensors depend on a "limited power supply" battery in all their operations. Most of the sensors can perform the process of sensing, "data processing" and "wireless communication". Sensors can achieve various duties in WSNs according to their wanted applications.In most applications sensors are ordered into sets called clusters according to the network objective and its requirements. Clustering achieved many advantages, so it represents the first preferable approach in designing or improving any WSN. Each cluster includes one leader sensor node known as a "cluster head" (CH) and the other sensors known as member nodes. In most applications the sensor node with higher energy is preferred to be a CH to perform the process of data transmission and data processing while those with low energy are preferred to achieve the sensing task as cluster members. Simulation being the unique tool in evaluating and estimating the performance metrics of any new designed WSN.In this study, a main effort is made to study the effect of clustering approaches on the WSNs consumed energy. Many clustering approaches is simulated and evaluated with a developed suggested clustering approach. Three approaches were suggested, built and simulated to estimate the WSNs lifetime with their important behaviors parameters. Net Logo (5.2.1) as "multi-agent programming language" is suggested to be the simulation tool in this study.

توفير الطاقة او استهلاكها هي المشكلة الاساسية في عملية تصميم ونشر شبكات الاستشعار اللاسلكي (WSN) ,فمعظم اجهزة الاستشعار المتاحة تعتمد على بطارية ذات قدرة محددة لتزويدها بالطاقة في كافة عملياتها. يمكن لجميع اجهزة الاستشعار اداء عملية معالجة البيانات, والاستشعارعن بعد و تناقل البيانات . كما ان اجهزة الاستشعار تؤدي واجبات مختلفة في شبكات الاستشعار اللاسلكي وفقاً للحاجة ونوع الشبكة. في معظم تطبيقات اجهزة الاستشعاراللاسلكية يتم ترتيبها على شكل مجموعات او عناقيد وفقاً لهدف الشبكة ومتطلباتها. حققت عملية العنقدة العديد من المزايا ولذلك اصبحت تمثل النهج والخيار الاول عند تصميم او تحسين شبكات الاستشعار اللاسلكي. كل مجموعة (عنقود) تحتوي على عقدة استشعار تسمى العقدة الرئيسية (رئيس المجموعة) والعقد الاخرى في المجموعة تسمى العقد الاعضاء. في معظم التطبيقات يفضل استخدام عقد الاستشعار ذات الطاقة العالية لتنفيذ عملية نقل ومعالجة البيانات في حين يفضل استخدام عقد الاستشعار ذات الطاقة المنخفضة لتحقيق مهمة الاستشعار وتعمل كاحد اعضاء المجموعة. المحاكاة هي الاداة الفريدة التي يمكن استخدامها في تقييم وتقدير مقاييس اداء وسلوك اي تصميم جديد لشبكات الاستشعار اللاسلكي. تناولت هذه الدراسة مناقشة تأثير اسلوب العنقدة على الطاقة المستهلكة في شبكات الاستشعار اللاسلكي. تمت محاكاة وتقييم العديد من اساليب العنقدة المتوفرة مع تطوير اسلوب عنقدة مقترح. تم اقتراح وبناء ومحاكاة ثلاثة اساليب لتقدير اعمار شبكات الاستشعار اللاسلكي مع جميع معلمات سلوكياتها. تم استخدام برنامج ال (Net Logo 5.2.1 ) كلغة برمجة" multi-agent " ليكون اداة المحاكاة في هذه الدراسة.

WSN --- Clustering --- energy consumption --- simulation

The segmentation performance is topic to suitable initialization and best configuration of supervisory parameters. In medical image segmentation, the segmentation is very important when the diagnosing becomes very hard in medical images which are not properly illuminated. This paper proposes segmentation of brain tumour image of MRI images based on spatial fuzzy clustering and level set algorithm. After performance evaluation of the proposed algorithm was carried on brain tumour images, the results showed confirm its effectiveness for medical image segmentation, where the brain tumour is detected properly.

Brain image --- Fuzzy --- clustering --- level set --- Segmentation.

In this research we using intelligent algorithm such as neural network to solve the problem of routing by finding the optimal path between source and destination and clustering algorithm to find path in clusters. A new routing algorithm based on the clustering and neural network was proposed. The modification to chaotic Cellular neural network (MCCNN) was suggest, combine with proposed Modified K-Mean clustering method to make the routing more intelligent and adaptive in finding the optimal routes for ad hoc wireless network (like MANET). Routing Results show how the proposed routing algorithm were high speed comparing with Dijkstra algorithm. The different of speed gaining time with percentage 250 t0 380%. This make proposed algorithm useful in the fasting routing. Also, the results of the proposed system are optimal path not only shortest path. It depending on the group of factors and parameters to select the path between two points in the wireless network.

في هذا البحث نستخدم خوارزمية ذكية مثل الشبكة العصبية في حل مشكلة التوجيه من خلال إيجاد المسار الأمثل بين المصدر والمقصد وخوارزمية التجميع لايجاد المسار في العنقدة (clusters). واقترح إنشاء خوارزمية توجيه جديد تستند إلى شبكة تجميع والعصبية. وكان التعديل هو ال(chaos) و الشبكة العصبية الخلوية التي ) تشير الى (MCCNN) ، مع الجمع بين ما اقترح من طريقة محد ( K-Mean clustering) لجعل التوجيه أكثر ذكاء و تكيف لايجاد الطرق المثلى لشبكة لاسلكية (مثل MANET). وتشير نتائج التوجيه كيف كانت خوارزمية التوجيه المقترح لها سرعة عالية مقارنة مع خوارزمية ديكسترا. وتختلف سرعة كسب الوقت بنسبة 250 الى 380٪. هذا جعل الخوارزمية المقترحة مفيدة في التوجيه السريع. أيضا، فإن نتائج النظام المقترح هي الطريق الأمثل ليس فقط أقصر الطرق. ذلك اعتمادا على مجموعة من العوامل والمعايير لتحديد مسار بين نقطتين في شبكة لاسلكية.

Wireless routing --- mobile wireless --- MANET --- MANET routing --- Clustering --- wireless network clustering --- Intelligent routing.

There are large number of modern techniques in today’s world which is evolving for collecting big data at different databases. Organized information investigation techniques are important to pick up/concentrate valuable data from quickly developing datasets. K-means Clustering investigation strategy is one of the generally utilized expository strategies as a part of numerous information mining applications. This paper including two stages in dealing with large and big datasets, the first stage discusses two clustering algorithms Self Organizing Map (SOM) and k-means about Performance Evaluation of K-Means and SOM Clustering. Using (C# and Matlab) programming language and the performance for k-means and SOM clustering algorithm is calculate based on the accuracy and running time.The second stage proposed modified self-organizing map(MSOM)to select winner cluster and extract this cluster from rapidly growing datasets which contain a hundred or more clusters in a very little time. This modification will appeared in two places in SOM standard algorithm. Evaluation results and conclusion will discuss in the last section. The purpose of the proposed Modified Self Organizing Map (MSOM) is to facilitate the search and access to the class that contains the desired product in the case of high number of classes where the proposed method to finding the best Class containing the desired product.

هناك عدد كبير من التقنيات الحديثة في عالم اليوم المتطور لجمع البيانات الكبيرة في قواعد البيانات المختلفة. أساليب تحليل البيانات المنظمة ضرورية للحصول على استخراج المعلومات المفيدة من قواعد البيانات التي تنمو بسرعة. طريقة K-meanلتحليل المجموعات هي إحدى الطرق المستخدمة على نطاق واسع في العديد من التطبيقات التحليلية لتنقيب البيانات. يتضمن هذا البحث مرحلتين في التعامل مع قواعد البيانات الكبيرة ومجاميع البيانات الكبيرة، المرحلة الأولى تناقش خوارزميتين اثنتين هما خريطة التنظيم الذاتي ( (SOMو K-mean حول تقييم أداء مجموعات الK-mean و SOM باستخدام اللغات البرمجية (C# و Matlab) وحساب ادائية خوارزميات المجاميع (SOM و K-mean)على أساس الدقة ووقت التنفيذ. المرحلة الثانية تقترح تعديل خريطة التنظيم الذاتي (MSOM) لتحديد الكتلة الفائزة واستخراج هذه المجموعة من مجموعات البيانات التي تنمو بسرعة والتي تحتوي على مئات أو أكثر من المجاميع في اقل وقت ممكن. وظهر هذا التعديل في مكانين في خوارزمية SOM القياسية. نتائج التقييم والاستنتاجات سيتم مناقشتها في الجزء الاخير.والغرض من هذا التعديل الذاتي تنظيم خريطة المقترحة (MSOM) هو لتسهيل البحث والوصول إلى الفئة التي تحتوي على المنتج المطلوب في حالة ارتفاع عدد الصفوف حيث الطريقة المقترحة لإيجاد أفضل الدرجة التي تحتوي على المنتج المطلوب.

Self organizing maps --- K-means --- Clustering algorithm --- datasets.

Text mining was a process of mining the significant information from the text documents. Any text mining system was created its process by preprocessing step; which involve tokenization, stop words removal, stemming and finally creating term frequency and inverse document frequency matrix (TF-IDF matrix). These steps provide the highest time consuming stage in knowledge discovery. The proposed method tries to build effective preprocessing step to even win area of memory space and time requirements. That by proposed a method for improved stop words removal algorithm and improved stemming algorithm based porter stemming algorithm. The proposed method is tested in two levels, first level uses only vector space model which based on used traditional stop words removal and with traditional porter stemming and the second level uses vector space model with combined features of improved stop words removal algorithm and improved stemming algorithm. The results show that using second level as effective preprocessing step for text mining application achieves good performance from reducing storage space used in memory about 10% and the processing time become faster which achieves good performance to build the final TF-IDF matrix.

Document clustering --- stop word --- stemming --- tokenization --- TF-IDF --- similarity