TY  - BOOK
AU  - Shaimaa Ebid Kamel Ebid,
AU  - Hany L. Abdel-Malek 
AU  - Doaa Shawky 
AU  - Samah El-Tantawy
TI  - Correlation-Based Pruning Algorithm with Weight Compensation for Feedforward Neural Networks
U1  - 620.00151 
PY  - 2025///
KW  - Engineering Mathematics
KW  - الرياضيات الهندسية
KW  - Feed forward Neural Network
KW  - Pruning algorithms
KW  - Weights updating
KW  - Stopping criteria
KW  - Pruning process
N1  - Thesis (Ph.D)-Cairo University, 2025; Bibliography: pages 105-108; Issues also as CD
N2  - A new pruning algorithm for optimizing feed-forward neural networks has been developed based on the correlation coefficients among activation functions in hidden neuron outputs. This algorithm effectively removes insignificant hidden neurons, leading to reduced storage requirements while preserving accuracy and efficiency similar to the original network. Key conclusions include the ability to identify and prune neurons based on their correlation, update weights for neighboring neurons after pruning, and continue this process until a stopping criterion is satisfied. The algorithm maintains accuracy and often improves prediction performance relative to larger networks. Future research directions include testing the algorithm with more complex datasets, integrating it with existing pruning techniques, and extending its evaluation to different neural network architectures to assess adaptability and effectiveness across various applications; تم تطوير خوارزمية جديدة للتقليم تهدف إلى تحسين الشبكات العصبية الترددية، تستند إلى معاملات الارتباط بين دوال التنشيط في مخرجات الخلايا العصبية المخفية. تقوم هذه الخوارزمية بإزالة الخلايا العصبية المخفية التي لا تحمل أهمية، مما يؤدي إلى تقليل متطلبات التخزين مع الحفاظ على الدقة والكفاءة مشابهة للشبكة الأصلية. تشمل الاستنتاجات الرئيسية القدرة على تحديد وتقليم الخلايا العصبية بناءً على الارتباطات، وتحديث الأوزان للخلايا العصبية المجاورة بعد التقليم، والاستمرار في هذه العملية حتى يتم استيفاء معيار التوقف. تحافظ الخوارزمية على الدقة وغالبًا ما تحسن أداء التنبؤ بالنسبة للشبكات الأكبر. تشمل اتجاهات البحث المستقبلي اختبار الخوارزمية مع مجموعات بيانات أكثر تعقيدًا، ودمجها مع تقنيات التقليم الحالية، وتوسيع تقييمها لمعماريات الشبكات العصبية المختلفة لتقييم قابلية التكيف والفاعلية عبر تطبيقات متنوعة
ER  -