Bilgisayar teknolojisindeki ilerlemelerin, son yıllarda baş döndürücü bir hıza erişmesi, beraberinde yeni çalışma alanlarında gündeme getirdi. İnsanoğlunun bilgisayar teknolojisini ortaya koyuncaya kadar kullandığı araçların büyük bir çoğunluğu, kol gücüne dayanan çalışmaları kolaylaştırmaya yöneliktir. Bilgisayar teknolojisinin ortaya çıkması ile bilgi derleme, değerlendirme, sınıflandırma, saklama ve benzeri beyin gücü gerektiren faaliyetlere yardımcı olan araçlar ve algoritmalar geliştirilmiştir. Yapay zekâ olarak isimlendirilen bu alan, insan düşünme ve davranışlarını taklide yönelik olduğundan, nöroloji, psikoloji ve mühendislik gibi farklı disiplinleri kapsayan geniş bir alana yayılan araç ve algoritmadır. Yapay zekâ disiplini altında onu destekleyen farklı alanlar bulunmaktadır. Teorik olarak yapay zekâ yapılsa, onun fayda sağlayabilmek için gerçek dünya ile iletişim içinde olması gerekir, aynı insanın beş duyu organına sahip olduğu gibi. İşte robotik, uzman sistemler, genetik algoritmalar, karınca tabanlı algoritmalar sinirsel ağlar ve doğal arabirimler üzerinde yapılan çalışmalar, yapay zekâ disiplinini bu alanlarda desteklemektedirler. Yapay zekâ metodları içerisinde kullanım açısından fazlaca önemli yere sahip olan Yapay Sinir Ağları bu tez çalışmasında iki farklı türün karşılaştırılması amacı güdülmüş olup, bunlar Basamak Korelasyon Sinir Ağı ile Sinirsel Bulanık Mantık Ağıdır. Yapay sinir ağları bu öğrenebilme ve genelleme özellikleri nedeniyle günümüzde birçok bilim alanında geniş uygulama olanağı bulmakta ve karmaşık problemleri başarı ile çözebilme yeteneğini ortaya koymaktadır. Basamak Korelasyon ağı, yapay sinir ağları içerisinde yeni ve öğreticili/denetimli öğrenme algoritması olarak yer almaktadır. Bir ağın içindeki sabit topoloji de ağırlıkları ayarlamak yerine, Basamak Korelasyon ilk önce minimum ağ ile başlar, sonra otomatik olarak eğitir ve yeni gizli birimleri tek tek ekleyerek çok katmanlı bir yapı oluşturur. Eğer yeni gizli birim ağa eklenirse, giriş tarafındaki ağırlıklar dondurulur. Eklenmiş olan bu birim kalıcı bir hal alarak ağda özellik sezinleyici (feature-detector) olur ki bu durum daha karmaşık özellik sezinleyiciler için yeni çıkışlar üretme veya yeni yaratımlar için, olanak sağlar. Basamak Korelasyon yapısı var olan diğer algoritmalara nazaran bazı avantajlara sahiptir: çabuk öğrenir, ağ boyutuna ve topolojisine kendi karar verir, eğitim kümesi değişse dahi kurulmuş olan yapı kendini korur ve ağın bağlantıları aracılığıyla hata sinyallerinin hiçbiri geri yayılım gerektirmez. Bulanık Mantık ve YSA, mühendislik problemlerinde güçlü ve etkili bir şekilde uygulanan modelleme yöntemleridir. Son yıllarda, YSA ve Bulanık Mantık yöntemlerinin birleşiminden oluşan Sinirsel Bulanık Mantık Çıkarım Sistemi (ANFIS) bir modelleme yöntemi önerilmekte ve kullanılmaktadır. Bulanık mantık ile modellemede en önemli adım giriş/çıkış değişkenlerinin üyelik derecelerinin belirlenmesi olarak gösterilmektedir. ANFIS, YSA' nın öğrenme yeteneğini kullanarak, eğitim veri setinden bulanık set ve kuralları belirlemekte ve kural tabanlı bir modelleme gerçekleştirmektedir. ANFIS, üç tabakalı ileri beslemeli bir YSA şeklinde değerlendirilebilir. Bu ağ yapısında, birinci tabaka, giriş değişkenlerinin uygulandığı ve YSA yardımıyla üyelik fonksiyonlarının belirlendiği tabaka, ikinci tabaka bulanık kuralların oluşturulduğu ve çıkarım işleminin gerçekleştirildiği tabaka ve en son tabaka ise çıkarım sistem sonucunun elde edildiği tabakadır. Yapılan bu çalışmada, sınıflandırma problemleri üzerinde durulmuştur. Bu tez farklı yapıda olan 3 adet veri kümesinin (Tohum, Arazi Uydu Görüntüleme ve Kırmızı Şarap Kalite Değerlendirme) incelenmesi ve aynı algoritmaların bu verilere uygulanması itibariyle hem başarı performansı olarak hem de zaman bakımından aralarındaki ilişkiyi gözler önüne sermektedir. Tohum verisi için yapılan karşılaştırmada ANFIS ile BKSA test performans yüzdeleri %86.41 ve %88.06 olup, işlem zamanı yönünden bakıldığında ise BKSA daha az süre içerisinde sınıflandırma yapmıştır. Arazi Uydu Görüntüleme veri kümesinde ise performans yüzdeleri ANFIS de %100, BKSA da ise %99.92 olmaktadır. Verinin algoritma içerisinde yaptığı işlem süreleri ise ANFIS 800 saniye, BKSA 72 saniyede tüm sınıflandırma işlemini tamamlamıştır. Son veri kümemiz ise Kırmızı Şarap Kalite değerlendirmedir ve performans olarak bakıldığında ANFIS %99.975, BKSA ise %99.862 gibi birbirleri arasında çokta anlamlı bir fark oluşturmadığı açıkça görünmektedir. İşlem zamanı bakımından ANFIS 85.271 saniye ile BKSA metoduna göre çok hantal kalmaktadır.
Advances in computer technology to access a dizzying pace in recent years, brought up together in the new workspace. Means by which a majority of human beings until it reveals the computer technology is to facilitate the work based on the arm muscles. With the emergence of computer technology, data collection, evaluation, classification, storage and other auxiliary activities that require the brain power tools and algorithms it has been developed. This area, known as artificial intelligence, is intended to mimic human thought and behavior, neurology, psychology and other disciplines such as engineering, covering a broad area of tools and algorithm. There are different disciplines supporting it under the artificial intelligence fields. In theory, artificial intelligence made, to ensure its benefits must be in contact with the real world, just as people have five senses. Here robotics, expert systems, genetic algorithms, ant algorithms based on neural networks and studies on natural interfaces, artificial intelligence discipline they support in these areas. In the Artificial intelligence methods, Neural Networks with more important place in terms of usage for the purpose of comparing two different species is pursued in this thesis, which is Cascade Correlation Neural Network and Adaptive Neuro Fuzzy Inference System. Neural networks find wide application in many scientific fields today because of the ability to learn and generalize these features and demonstrate the ability to solve complex problems with success. Cascade Correlation network in new and artificial neural networks tutorial / supervised learning algorithm is located in. Instead of setting a fixed topology of the weights in the network, a minimum first step begins with the correlation network, educate and then automatically creates a multilayered structure by adding a single new hidden units. If a new secret unit added to the network, frozen weights on the input side. This situation becomes more complex feature detector added with this unit on the network by generating a permanent status for new outlets or new creations for feature allows. Cascade Correlation has some advantages over the existing structure than other algorithms: quickly learn, give its decision on the network size and topology, education cluster protects itself structures established even changed, and none of error signals via the connection network does not require back propagation. Fuzzy logic and neural networks, strong in engineering problems and are effectively applied modeling. In recent years, neural networks and fuzzy logic method consisting of a combination Neuro Fuzzy Inference System (ANFIS) modeling method is proposed and used. The most important step in modeling the fuzzy logic input / output variables are presented as determining the degree of membership. ANFIS, ANN using the learning ability, fuzzy sets and rules to determine the training data set and performs a rule-based modeling. ANFIS can be assessed as a three-layer feed-forward neural network. In this network structure, the first layer is applied to the input variables and the layer determined the NN membership function, the second layer is formed of fuzzy rules and mining operations of the layer is obtained inference system the result of the realization that the layer and the last layer. In this study, it focused on classification problems. This thesis different structure with 3 data set (Seed, Terrain Satellite Imaging and Red Wine Quality) examination and the same algorithms applied to these data as the relationship as well as the performance achievements and time in terms between the eyes reveals. Seed data is for the comparison with the ANFIS and CCNN test performance of 86.41% and 88.06% percent, in the classification process has always CCNN less time when viewed from the side. In the dataset Terrain Satellite Imaging performance ANFIS percentage of 100%, in the CCNN is 99.92%. The duration of the transactions made in the algorithm's data ANFIS 800 seconds, it completed the classification process CCNN all in 72 seconds. Our last data set is red wine quality evaluation and performance when viewed as ANFIS% 99 975, the CCNN is clearly not constitute a very significant difference between each other like 99 862%. According to the terms of processing time with the BKS method ANFIS 85, 271 seconds is far too cumbersome. Keywords: Artifical Intelligence, Neural Network, ANFIS, Cascade Correlation Neural Network.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, 2016.
Kaynakça var.
Bilgisayar teknolojisindeki ilerlemelerin, son yıllarda baş döndürücü bir hıza erişmesi, beraberinde yeni çalışma alanlarında gündeme getirdi. İnsanoğlunun bilgisayar teknolojisini ortaya koyuncaya kadar kullandığı araçların büyük bir çoğunluğu, kol gücüne dayanan çalışmaları kolaylaştırmaya yöneliktir. Bilgisayar teknolojisinin ortaya çıkması ile bilgi derleme, değerlendirme, sınıflandırma, saklama ve benzeri beyin gücü gerektiren faaliyetlere yardımcı olan araçlar ve algoritmalar geliştirilmiştir. Yapay zekâ olarak isimlendirilen bu alan, insan düşünme ve davranışlarını taklide yönelik olduğundan, nöroloji, psikoloji ve mühendislik gibi farklı disiplinleri kapsayan geniş bir alana yayılan araç ve algoritmadır. Yapay zekâ disiplini altında onu destekleyen farklı alanlar bulunmaktadır. Teorik olarak yapay zekâ yapılsa, onun fayda sağlayabilmek için gerçek dünya ile iletişim içinde olması gerekir, aynı insanın beş duyu organına sahip olduğu gibi. İşte robotik, uzman sistemler, genetik algoritmalar, karınca tabanlı algoritmalar sinirsel ağlar ve doğal arabirimler üzerinde yapılan çalışmalar, yapay zekâ disiplinini bu alanlarda desteklemektedirler. Yapay zekâ metodları içerisinde kullanım açısından fazlaca önemli yere sahip olan Yapay Sinir Ağları bu tez çalışmasında iki farklı türün karşılaştırılması amacı güdülmüş olup, bunlar Basamak Korelasyon Sinir Ağı ile Sinirsel Bulanık Mantık Ağıdır. Yapay sinir ağları bu öğrenebilme ve genelleme özellikleri nedeniyle günümüzde birçok bilim alanında geniş uygulama olanağı bulmakta ve karmaşık problemleri başarı ile çözebilme yeteneğini ortaya koymaktadır. Basamak Korelasyon ağı, yapay sinir ağları içerisinde yeni ve öğreticili/denetimli öğrenme algoritması olarak yer almaktadır. Bir ağın içindeki sabit topoloji de ağırlıkları ayarlamak yerine, Basamak Korelasyon ilk önce minimum ağ ile başlar, sonra otomatik olarak eğitir ve yeni gizli birimleri tek tek ekleyerek çok katmanlı bir yapı oluşturur. Eğer yeni gizli birim ağa eklenirse, giriş tarafındaki ağırlıklar dondurulur. Eklenmiş olan bu birim kalıcı bir hal alarak ağda özellik sezinleyici (feature-detector) olur ki bu durum daha karmaşık özellik sezinleyiciler için yeni çıkışlar üretme veya yeni yaratımlar için, olanak sağlar. Basamak Korelasyon yapısı var olan diğer algoritmalara nazaran bazı avantajlara sahiptir: çabuk öğrenir, ağ boyutuna ve topolojisine kendi karar verir, eğitim kümesi değişse dahi kurulmuş olan yapı kendini korur ve ağın bağlantıları aracılığıyla hata sinyallerinin hiçbiri geri yayılım gerektirmez. Bulanık Mantık ve YSA, mühendislik problemlerinde güçlü ve etkili bir şekilde uygulanan modelleme yöntemleridir. Son yıllarda, YSA ve Bulanık Mantık yöntemlerinin birleşiminden oluşan Sinirsel Bulanık Mantık Çıkarım Sistemi (ANFIS) bir modelleme yöntemi önerilmekte ve kullanılmaktadır. Bulanık mantık ile modellemede en önemli adım giriş/çıkış değişkenlerinin üyelik derecelerinin belirlenmesi olarak gösterilmektedir. ANFIS, YSA' nın öğrenme yeteneğini kullanarak, eğitim veri setinden bulanık set ve kuralları belirlemekte ve kural tabanlı bir modelleme gerçekleştirmektedir. ANFIS, üç tabakalı ileri beslemeli bir YSA şeklinde değerlendirilebilir. Bu ağ yapısında, birinci tabaka, giriş değişkenlerinin uygulandığı ve YSA yardımıyla üyelik fonksiyonlarının belirlendiği tabaka, ikinci tabaka bulanık kuralların oluşturulduğu ve çıkarım işleminin gerçekleştirildiği tabaka ve en son tabaka ise çıkarım sistem sonucunun elde edildiği tabakadır. Yapılan bu çalışmada, sınıflandırma problemleri üzerinde durulmuştur. Bu tez farklı yapıda olan 3 adet veri kümesinin (Tohum, Arazi Uydu Görüntüleme ve Kırmızı Şarap Kalite Değerlendirme) incelenmesi ve aynı algoritmaların bu verilere uygulanması itibariyle hem başarı performansı olarak hem de zaman bakımından aralarındaki ilişkiyi gözler önüne sermektedir. Tohum verisi için yapılan karşılaştırmada ANFIS ile BKSA test performans yüzdeleri %86.41 ve %88.06 olup, işlem zamanı yönünden bakıldığında ise BKSA daha az süre içerisinde sınıflandırma yapmıştır. Arazi Uydu Görüntüleme veri kümesinde ise performans yüzdeleri ANFIS de %100, BKSA da ise %99.92 olmaktadır. Verinin algoritma içerisinde yaptığı işlem süreleri ise ANFIS 800 saniye, BKSA 72 saniyede tüm sınıflandırma işlemini tamamlamıştır. Son veri kümemiz ise Kırmızı Şarap Kalite değerlendirmedir ve performans olarak bakıldığında ANFIS %99.975, BKSA ise %99.862 gibi birbirleri arasında çokta anlamlı bir fark oluşturmadığı açıkça görünmektedir. İşlem zamanı bakımından ANFIS 85.271 saniye ile BKSA metoduna göre çok hantal kalmaktadır.
Advances in computer technology to access a dizzying pace in recent years, brought up together in the new workspace. Means by which a majority of human beings until it reveals the computer technology is to facilitate the work based on the arm muscles. With the emergence of computer technology, data collection, evaluation, classification, storage and other auxiliary activities that require the brain power tools and algorithms it has been developed. This area, known as artificial intelligence, is intended to mimic human thought and behavior, neurology, psychology and other disciplines such as engineering, covering a broad area of tools and algorithm. There are different disciplines supporting it under the artificial intelligence fields. In theory, artificial intelligence made, to ensure its benefits must be in contact with the real world, just as people have five senses. Here robotics, expert systems, genetic algorithms, ant algorithms based on neural networks and studies on natural interfaces, artificial intelligence discipline they support in these areas. In the Artificial intelligence methods, Neural Networks with more important place in terms of usage for the purpose of comparing two different species is pursued in this thesis, which is Cascade Correlation Neural Network and Adaptive Neuro Fuzzy Inference System. Neural networks find wide application in many scientific fields today because of the ability to learn and generalize these features and demonstrate the ability to solve complex problems with success. Cascade Correlation network in new and artificial neural networks tutorial / supervised learning algorithm is located in. Instead of setting a fixed topology of the weights in the network, a minimum first step begins with the correlation network, educate and then automatically creates a multilayered structure by adding a single new hidden units. If a new secret unit added to the network, frozen weights on the input side. This situation becomes more complex feature detector added with this unit on the network by generating a permanent status for new outlets or new creations for feature allows. Cascade Correlation has some advantages over the existing structure than other algorithms: quickly learn, give its decision on the network size and topology, education cluster protects itself structures established even changed, and none of error signals via the connection network does not require back propagation. Fuzzy logic and neural networks, strong in engineering problems and are effectively applied modeling. In recent years, neural networks and fuzzy logic method consisting of a combination Neuro Fuzzy Inference System (ANFIS) modeling method is proposed and used. The most important step in modeling the fuzzy logic input / output variables are presented as determining the degree of membership. ANFIS, ANN using the learning ability, fuzzy sets and rules to determine the training data set and performs a rule-based modeling. ANFIS can be assessed as a three-layer feed-forward neural network. In this network structure, the first layer is applied to the input variables and the layer determined the NN membership function, the second layer is formed of fuzzy rules and mining operations of the layer is obtained inference system the result of the realization that the layer and the last layer. In this study, it focused on classification problems. This thesis different structure with 3 data set (Seed, Terrain Satellite Imaging and Red Wine Quality) examination and the same algorithms applied to these data as the relationship as well as the performance achievements and time in terms between the eyes reveals. Seed data is for the comparison with the ANFIS and CCNN test performance of 86.41% and 88.06% percent, in the classification process has always CCNN less time when viewed from the side. In the dataset Terrain Satellite Imaging performance ANFIS percentage of 100%, in the CCNN is 99.92%. The duration of the transactions made in the algorithm's data ANFIS 800 seconds, it completed the classification process CCNN all in 72 seconds. Our last data set is red wine quality evaluation and performance when viewed as ANFIS% 99 975, the CCNN is clearly not constitute a very significant difference between each other like 99 862%. According to the terms of processing time with the BKS method ANFIS 85, 271 seconds is far too cumbersome. Keywords: Artifical Intelligence, Neural Network, ANFIS, Cascade Correlation Neural Network.