000			04319namaa22004451i 4500
003			OSt
005			20251102113445.0
008			251019s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a620.00151
092			_a620.00151 _221
097			_aPh.D
099			_aCai01.13.10.Ph.D.2025.Sh.C
100	0		_aShaimaa Ebid Kamel Ebid, _epreparation.
245	1	0	_aCorrelation-Based Pruning Algorithm with Weight Compensation for Feedforward Neural Networks / _cby Shaimaa Ebid Kamel Ebid ; Supervisors Prof. Dr. Hany L. Abdel-Malek, Prof. Dr. Doaa Shawky, Prof. Dr. Samah El-Tantawy.
246	1	5	_aخوارزم تقليم قائم على الارتباط مع تعويض الأوزان في الشبكات العصبية المغذية
264		0	_c2025.
300			_a146 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 105-108.
520		3	_aA 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.
520		3	_aتم 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aEngineering Mathematics
650		0	_aالرياضيات الهندسية
653		1	_aFeed forward Neural Network _aPruning algorithms _aWeights updating _aStopping criteria _aPruning process
700	0		_aHany L. Abdel-Malek _ethesis advisor.
700	0		_aDoaa Shawky _ethesis advisor.
700	0		_aSamah El-Tantawy _ethesis advisor.
900			_b01-01-2025 _cHany L. Abdel-Malek _cDoaa Shawky _cSamah El-Tantawy _UCairo University _FFaculty of Engineering _DDepartment of Engineering Mathematics
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c175022