İris Çiçeği Türünün YSA Yöntemleri ve ANFIS ile Tahmini

Serel ÖZMEN AKYOL, Eyyüp GÜLBANDILAR

Öz


Örüntü kullanılarak sınıflandırma yapmak, sanayi ve tıp alanında yaygın olarak kullanılmaktadır. Fakat gözlemsel sınıflandırma yapılırken kişisel hatalar meydana gelmektedir. Bu sınıflandırma hataları azaltmak için yapay öğrenme yöntemleri kullanılmaktadır. Bu çalışmada, yapay sinir ağı (YSA) ve bulanık yapay sinir ağı (ANFIS) kullanılarak iris çiçeği türü sınıflandırılması amaçlanmaktadır. Bu tür çalışmalarda yaygın olarak kullanılan iris çiçeğine ait örnek verilerden yararlanılmıştır. Üç katmanlı, ileri beslemeli, dört girişli ve bir çıkışlı YSA modeli seçilmiştir. YSA modelinin eğitiminde 90 adet veri ve testinde de 60 adet veri kullanılmıştır. Her girişinde iki adet bulanık küme bulunan, dört girişli ve bir çıkışlı, ANFIS modeli üretilmiştir. Bu modelde de aynı sayılarda örnekler kullanılarak eğitim ve test yapılmıştır. Çalışma neticesinde uygulanan her iki yöntem için, tahmin değerleri ile gerçek değerler arasında düşük hata oranları elde edilmiştir. YSA ve ANFIS yöntemlerinin sınıflandırma sonuçları karşılaştırılmış ve YSA yönteminin ANFIS yöntemine göre daha yakın tahminler ürettiği bulunmuştur.

Tam Metin:

PDF

Referanslar


B. S. Khehra and A. P. S. Pharwaha, “Classification of Clustered Microcalcifications using MLFFBP-ANN and SVM,” Egypt. Informatics J., vol. 17, no. 1, pp. 11–20, 2016.

B. D. Barkana, I. Sarıçicek, and B. Yıldırım, “Knowledge-Based Systems Performance analysis of descriptive statistical features in retinal vessel segmentation via fuzzy logic , ANN , SVM , and classifier fusion,” Knowledge-Based Syst., vol. 118, pp. 165–176, 2017.

C. Affonso, A. L. D. Rossi, F. H. A. Vieira, and A. C. P. de L. F. de Carvalho, “Deep learning for biological image classification,” Expert Syst. Appl., vol. 85, pp. 114–122, 2017.

G. Mohan and M. M. Subashini, “Biomedical Signal Processing and Control MRI based medical image analysis : Survey on brain tumor grade classification,” Biomed. Signal Process. Control, vol. 39, pp. 139–161, 2018.

"İris veri seti," https://archive.ics.uci.edu/ml/datasets/iris. [Accessed: 21-Dec-2016].

I. S. Jacobs and C. P. Bean, “Fine particles, thin films and exchange anisotropy, in Magnetism,” New York Acad., vol. 3, pp. 271–350, 1963.

E. Binici, “Java ile yapay zeka mekanizmasına sahip bir ağ yönetim sistemi geliştirilmesi,” Ege Üniversitesi, 2006.

Ç. Elmas, Yapay Sinir Ağları, Kuram,Mima. Ankara: Seçkin Yayıncılık, 2003.

“Yapay Sinir Ağları,” 1994. [Online]. Available: http://ube.ege.edu.tr/~cinsdiki/UBI521/Chapter-1/cinsdikici-neural-net-giris.pdf. [Accessed: 22-Dec-2016].

İ. Kaya, S. Oktay, and O. Engin, “Kalite Kontrol Problemlerinin Çözümünde Yapay Sinir Ağlarının Kullanımı,” Erciyes Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 21, no. 1–2, pp. 92–107, 2005.

M. Caner and E. Akarslan, “Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini Estimation of Specific Energy Factor in Marble Cutting Process Using,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 15, no. 2, pp. 221–226, 2009.

L. H. Tsoukalas and R. E. Uhrig, Fuzzy and neural approaches in engineering. NewYork: Jhon Wiley & Sons, 1996.

B. Kosko, Neural networks and fuzzy systems, A Dynamical Systems Approach. Englewood Ciffs: NJ: Prentice Hall, 1991.

J.-S. Jang, “ANFIS: Adaptive network-based fuzzy inference systems,” IEEE Trans. Syst. Man. Cybern., vol. 23, no. 3, pp. 665–685, 1993.

J. S. R. Jang, C. T. Sun, and E. Mizutani, “Neuro-Fuzzy and Soft Computing-A Computational Approach to Learning and Machine Intelligence [Book Review],” IEEE Trans. Automat. Contr., vol. 42, no. 10, pp. 1482–1484, 1997.

P. Perez, “Prediction of sulfur dioxide concentrations at a site near downtown Santiago, Chile,” Atmos. Environ., vol. 35, no. 29, pp. 4929–4935, 2001.

Çuhadar, M. and Kayacan, C., “Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini : Türkiye ’ deki Konaklama İşletmeleri Üzerine Bir Deneme,” Anatolia Tur. Araştırmaları Derg., vol. 16, no. 1, pp. 24–30, 2005.

Witt, S. F. ve Witt, C. A., Modeling and forecasting demand in tourism. Swansea, UK: European Business Management School, University of Wales, 1992.

Lewis, C.D. 1982. Industrial and Business Forecasting Methods, Butterworths Publishing, Londra.


Refback'ler

  • Şu halde refbacks yoktur.


Telif Hakkı (c) 2019 Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi