مع النمو المتسارع لحجم البيانات المخزنة في الأنظمة السحابية تصبح الحاجة إلى المعالجة الفعالة للبيانات أمراً حرجاً و ملحاً. يقدم هذا البحث دراسة أهم خصائص نظم إدارة قواعد البيانات الآتية: Hive و SQLMR و MariaDB Galera. إن Hive هو نظام إدارة قواعد بيان
ات سحابي. و SQLMR هو نظام هجين يعتمد على الدمج بين قدرات النظم السحابية و التقليدية. أما Galera MariaDB فهو من نظم إدارة قواعد البيانات التقليدية المطورة لمواكبة الخصائص السحابية. تم في هذا البحث عرض أهم التطويرات التي تمت على تلك النظم و مقارنة أدائها في معالجة البيانات بالاعتماد على قياس زمن تنفيذ عمليات استعلام مع تغير حجم البيانات، و ذلك من أجل التعرف على أداء تلك الأنظمة عملياً و معرفة متطلبات تطويرها للوصول إلى نظام إدارة بيانات أمثلي، و لمساعدة المستخدمين في اختيار نظام قواعد البيانات الذي يحقق متطلباتهم من ناحية التوافرية و التدرجية.
تعاني خدمة الطاقة الكهربائية في الجمهورية العربية السورية من العديد من الصعوبات الناتجة عن نقص الموارد (الفيول) بالإضافة إلى التخريب الذي تعرضت له العديد من مراكز التوليد من قبل المجموعات الإرهابية، ترافق ذلك مع حصار جائر تعرضت له بلدنا أدى إلى تخفيض
كميات وقود التشغيل الذي تزود به محطات التوليد, وقد تسبب كل ماسبق إلى تطبيق برامج التقنين في المحافظات وفقاً لاستهلاك تلك المحافظات ومراكز الإنتاج الموجودة فيها (مصانع، مراكز ضخ، مستشفيات وعدد السكان).
كما يتطلب التنبؤ باستهلاك الطاقة الكهربائية معرفة كميات الاستهلاك اليومية وأوقات الاستهلاك وغيرها من العوامل المؤثرة والتي تشكل كميات كبيرة من البيانات [1]. ولا يزال التنبؤ الدقيق بالحمل الكهربائي يمثل مهمة صعبة بسبب العديد من المشاكل مثل الطابع غير الخطي للسلسلة الزمنية أو الأنماط الموسمية التي يعرضها، والتي تستغرق وقتاً كبيراً كما تؤثر على دقة الأداء في التنبؤ. يمكن تحسين العملية باستخدام شبكاتRNN . [2] بدايةً، تم تحديد الاستهلاك المثالي والمناسب للمنطقة ومقارنته مع الانتاج وإمكانية تمرير الفائض لعمليات احتياطية أخرى أو تزويد مراكز الانتاج بالفائض الذي يمكن الحصول عليه من خلال عملية التنبؤ السابقة.
كما تم استخدام الشبكات العصبية التكرارية RNN (Recurrent Neural Network) وهي عبارة عن سلاسل زمنية تعتمد على تسلسل البيانات وفقاً لدلائل زمنية وقدرتها على التنبؤ بالقيم المستقبلية اعتماداً على البيانات السابقة. ثم تم مقارنة أداء تلك الشبكات مع شبكات DNN (Dense Neural Network) للحصول على تنبؤ مستقبلي أمثل قابل لخدمة وزارة الكهرباء في الجمهورية العربية السورية وحل مشكلة التنبؤ بالحمل الكهربائي بالمقارنة مع الدراسات السابقة.
تم أيضاً اعتماد طريقة التقسيم المتتالي القائم على الوقت، والتي لها القدرة على العمل بصورة أعلى دقة بالنسبة للبيانات ذات العينات العشوائية. وبالنسبة لحالات انخفاض تنظيم البيانات الساعية لاستهلاك القدرة الكهربائية، يمكن لنا أخذ عينات لمجموعة من البيانات بالنسبة للزمن وأخذ 20 بالمئة من البيانات على سبيل المثال كعينات تدريب واختبار.
بناءً على قيم التنبؤ الناتجة عن هذه الدراسة يتم العمل على توزيع الطاقة الكهربائية بالشكل الأنسب وبما يتوافق مع أهمية الاستخدام الأعلى.
يُعدّ موضوع واجهة الدماغ والحاسوب BCI (Brain Computer Interface) وخاصةً أنظمة التعرف على الإشارات الدماغية باستخدام التعلم العميق بعد توصيف هذه الإشارات عن طريق مخطط كهربائية الدماغ EEG (Electroencephalography) من المواضيع البحثية الهامة التي تثير ا
هتمام الكثير من الباحثين في الوقت الراهن, وتعد الشبكات العصبونية الالتفافية CNN (Convolutional Neural Nets) من أهم مصنفات التعلم العميق المستخدمة في عملية التعرف هذه، إلا أنه لم يتم بعد تحديد بارامترات هذا المصنف بشكل دقيق بحيث يعطي أعلى نسبة تعرف ممكنة وبأقل زمن تدريب وزمن تعرف ممكن.
يقترح هذا البحث نظام تعرف على إشارات EEG باستخدام شبكة CNN مع دراسة تأثير تغيير بارامترات هذه الشبكة على نسبة التعرف وزمني التدريب والتعرف على الإشارات الدماغية, وبالنتيجة تم الحصول بواسطة نظام التعرف المقترح على نسبة تعرف 76.38 %, وانقاص زمن تدريب المصنف (3 seconds) باستخدام النمط المكاني المشترك CSP (Common Spatial Pattern) في عملية المعالجة المسبقة لقاعدة البيانات IV2b, كما تم الوصول لنسبة تعرف 76.533 % من خلال إضافة طبقة للمصنف المقترح.
