تدريسي من كلية العلوم بجامعة ديالى ينظم لفريق بحثي في جامعة توتنغهام ترنت البريطانية ويشارك في مؤتمر لـIEEE بثلاث أوراق بحثية
| أضيف بواسطة : عبد الله سامر | #النشاطات_الدولية |
|
ضمن آفاق التعاون العلمي الدولي بين كلية العلوم بجامعة ديالى والجامعات العالمية , انضم المدرس المساعد علي عبد الرحمن محمود التدريسي من قسم علوم الحاسوب في كلية العلوم بجامعة ديالى لفريق بحثي برئاسة الدكتورة (Georgina Cosma) في كلية العلوم والتكنولوجيا بجامعة نوتنغهام ترنت البريطانية. ويعمل الفريق البحثي لتطوير خوارزميات التعلم العميق لدمج البيانات المتعددة الوسائط (Deep Learning Algorithms) في مجال أبحاثهم العلمية.
ونتيجة هذا التعاون العلمي شارك الفريق البحثي بثلاث أوراق بحثية علمية في المؤتمر الدولي 4th IEEE International Conference on Information Management والذي أقيم في جامعة أكسفورد البرطانية برعاية مؤسسة (IEEE, SCOPUS) وتم نشر الأبحاث في دار النشر IEEE.
وجاء البحث الاول تحت عنوان (Hand Gesture Recognition Using an Adapted Convolutional Neural Network with Data Augmentation) والهدف من هذه الدراسة هو التعرف التلقائي على حركة اليد إذ توفر إيماءات اليد طريقة طبيعية لتفاعل البشر مع أجهزة الكمبيوتر لأداء مجموعة متنوعة من التطبيقات المختلفة في العالم الحقيقي مثل التعرف على لغة الإشارة (SLR). في هذه الدراسة البحثية تم استخدام تقنية التعلم العميق (Deep learning) من خلال استخدام خوارزمية (Convolutional Neural Network) مدعومة بتقنية (Data Augmentation) والتي تقوم بزيادة حجم مجموعة البيانات رقميًا من خلال تحويل االصور أفقياً ورأسياً بنسبة 20٪ من الأبعاد الأصلية بشكل عشوائي ، لاضافة المتانة اللازمة لنهج التعلم العميق.
إذ أظهرت النتائج التجريبية للنموذج المقترح (ADCNN) أنها طريقة فعالة لزيادة أداء النموذج الاساسي (CNN) للتعرف على إيماءة اليد. وأظهرت النتائج أن (ADCNN) المقترحة حققت دقة تمييز تصنيفية بلغت 99.73٪ ، وتحسن بنسبة 4٪ عن نموذج الشبكة العصبية (CNN) الأساسي اذ بلغت (95.73٪).
وجاء البحث الثاني تحت عنوان (Fingerprint Classification using a Deep Convolutional Neural Network) والهدف من هذه الدراسة هو استخدام تقنية التعلم العميق (Deep learning) وخوارزمية (Deep Convolutional Neural Network) في التعرف على بصمة الاصابع. اذ أصبحت النظم البيومترية جزءًا أساسيًا للمجتمع الإنساني مع تزايد الطلب على الأمن بناءً على الخصائص الفسيولوجية أو السلوكية المميزة للمستخدمين لأغراض تحديد الهوية والتحكم في الوصول. اذ من الصعب تجاوز أنظمة التعرف على الأنماط هذه بالمقارنة مع الأنظمة التقليدية التي تعتمد على كلمة المرور.
وتقترح هذه الدراسة العلمية بنية تعلم معتمدة على تقنيات التعلم العميق باستخدام خوارزمية (Deep Convolutional Neural Network) للتعرف على بصمات الأصابع. وتتألف البنية المقترحة من مرحلة ما قبل المعالجة لاستخلاص ميزات النسيج من بصمات الأصابع ، ويتم تنفيذ هذه المرحلة باستخدام (histogram equalization, Gabor enhancement and fingerprint thinning). ثم يتم إدخال بصمات ما بعد المعالجة في لخوارزمية Deep Convolutional Neural Network. حقق المنهج المقترح دقة تصنيف 98.21٪ مع 0.9 خسارة. والدقة التي تم الحصول عليها أعلى بكثير من النتائج التي تم تسجيلها مسبقا على نفس مجموعة البيانات والتي بلغت 77٪.
وجاء البحث الثالث تحت عنوان (On-line Voltage Stability Monitoring Using an Ensemble Adaboost Classifier) والهدف من هذه الدراسة هو استكشاف وتقييم مختلف خوارزميات التعلم الآلي (machine learning algorithms) ودقتها في مراقبة عدم استقرار الفولتية لصنع القرار عبر الإنترنت لتحل محل التحكم الإشرافي وستمكن الطريقة المقترحة مشغلي الشبكات من تحليل وإدارة البيانات الضخمة التي تولدها وحدات إدارة المشروع من أجل اتخاذ قرار سريع وحل للمشاكل المتعلقة بعدم استقرار الجهد في الوقت الحقيقي. اذ تتعرض الأنظمة الكهربائية في جميع أنحاء العالم لضغط متزايد ، وأحد أقوى العوامل الدافعة هو الدور المتزايد لمصادر الطاقة اللامركزية. اذ تزيد مصادر الطاقة اللامركزية من عدم الاستقرار على الشبكة ولكنها تشجع مشغلي الشبكات على تشغيل الشبكة على مقربة من حد استقرارها. عندما يتم خرق هذا الحد ، قد يواجه النظام بأكمله انهيار التيار الكهربائي مما قد يؤدي إلى انقطاع التيار الكلي. يتم تصميم الشبكة الكهربائية عادة للحفاظ على الثبات عندما يتم إزالة بعض العناصر مثل خط النقل والمحولات ، ومع ذلك ، عندما يكون النظام تحت ظروف مجهدة بسبب الأحمال الثقيلة وانقطاع المعدات ، قد يحدث اضطراب كبير وتتبع العناصر الأخرى اللاحقة . يسبب هذا الشرط فشل الطاقة المتتالية.
وتقوم هذه الدراسة بتقييم خوارزميات التعلم الالي (Machine Learning Algorithms) لمهمة مراقبة عدم استقرار الفولتية وقد تمت مقارنة أداء عدة خوارزميات وهي (Naïve Bayesian، K-Nearest Neighbors ، Decision Tree and Ensembles classifiers XGBoost ، Bagging ، Random Forest ، AdaBoost). ولتقييم أداء الخوارزميات المقترحة تم استخدام مقاييس الأداء (Precision , Recall , F1-Score). وتم توليد عدد من نقاط تشغيل ثبات الفولطية بتغيرات مختلفة للحمل / التوليد ، باستخدام أداة تحليل (PSSE Power-Voltage (PV) واستخدام حافلة IEEE 39 كنظام اختبار. تم جمع أنماط تدريب كافية تلتقط نقاط تشغيل مختلفة (OPs) في الحالة الأساسية وفي حالات طوارئ متعددة (N-k) لتدريب خوارزميات التعلم الآلي لتحديد ظروف التشغيل المقبولة وحالات الانهيار القريبة. وأظهرت النتائج التجريبية أن خوارزمية (AdaBoost) حقق أعلى درجات الدقة ، والتي بلغت 96.02٪ مقارنة بخوارزميات التصنيف الأخرى.
وقد أشاد السيد عميد الكلية الأستاذ الدكتور تحسين حسين مبارك بالجهود العلمية المبذولة من قبل التدريسي علي عبد الرحمن من خلال انضمامه لهذا الفريق العلمي وذكر قائلاً أن هذا الإنجاز وهو إن دل على شئ فإنما يدل على حرصكم وتفانيكم وسعيكم العلمي الحثيث وصدق ممارساتكم وخطواتكم العلمية. لكم كل الثناء والتقدير وإن شاء الله لمزيد من التقدم والعطاء العلمي.
|
| مواضيع ذات صلة | الأرشيف |
