Farklı Boyut İndirgeme Yöntemlerinin, Anfis Modelinin Eğitim Performansı Üzerindeki Etkilerinin Karşılaştırılması

Ahmet Gürkan YÜKSEK; Halil ARSLAN; Oğuz KAYNAR; Emre DELİBAŞ; Abdulkadir ŞEKER

doi:https://doi.org/10.17776/csj.347653

Makale detayları

Farklı Boyut İndirgeme Yöntemlerinin, Anfis Modelinin Eğitim Performansı Üzerindeki Etkilerinin Karşılaştırılması

Yazarlar:

Ahmet Gürkan YÜKSEK | Halil ARSLAN | Oğuz KAYNAR | Emre DELİBAŞ | Abdulkadir ŞEKER

Ana Başlıklar:

Astronomi ve ilgili bilimler

Dergi:

Cumhuriyet Science Journal 2017 Vol.38 Issue 4, pp.716-730

Belge Tipi:

Makale

Yayın Tarihi:

12/2017

Belge Dili:

Türkçe

Document ID (Org No.):

2000920906

DOI:

https://doi.org/10.17776/csj.347653

Anahtar kelimeler:

Özet:

 





Adaptive Neuro-Fuzzy Inference Systems (ANFIS)
is a hybrid artificial neural network (intelligence) approach that utilizes the
ability of artificial neural networks to learn, generalize, paralyze and to
derive fuzzy logic. The development of models with large numbers of input
variables with ANFIS is not very convenient for applications. Dimension
reduction methods are proposed as a solution to this problem. Dimensional
Reduction is the method used to represent the data in a lower dimensional
space. The reduction of the numbers of the input variables using different size
reduction methods and the creation of the optimal solution of the probing with
the ANFIS model constitute the framework of this work. In this study, we
compared the results produced by different dimension reduction methods and
investigated which method is more acceptable for ANFIS training.

.

 


Uyarlamalı Sinirsel Bulanık Çıkarım Sistemleri-ANFIS (Adaptive
Neuro-Fuzzy Inference Systems-ANFIS), yapay sinir ağları modellerinin
öğrenebilme, genelleme ve paralel hesap yapabilme yetenekleri ile bulanık
mantığın çıkarsama yeteneğini kullanan hibrit bir yapay sinir ağı (zekâ)
yaklaşımıdır. Giriş değişkenlerinin sayıları fazla olan modellerin ANFIS ile
geliştirilmesi uygulamalarda çok elverişli değildir. Boyut indirgeme yöntemleri
ise bu soruna bir çözüm yolu olarak önerilmektedir. Boyut indirgeme, verilerin
daha düşük boyutlu bir uzayda temsil edilmesi için kullanılan yöntemdir. Farklı
boyut indirgeme yöntemleri kullanılarak giriş değişkenlerinin sayılarının
indirgenmesi ve ANFIS modeli ile probleme ait en uygun çözümün oluşturulması bu
çalışmanın çatısını oluşturmaktadır. Bu çalışmada, farklı boyut indirgeme
yöntemlerinin ürettiği sonuçlar karşılaştırılarak ANFIS’in eğitimi için hangi
yöntemin kullanılmasının daha kabul edilebilir olduğu araştırılmıştır. 

.

Makale detayları

Farklı Boyut İndirgeme Yöntemlerinin, Anfis Modelinin Eğitim Performansı Üzerindeki Etkilerinin Karşılaştırılması

Yazarlar:

Ahmet Gürkan YÜKSEK | Halil ARSLAN | Oğuz KAYNAR | Emre DELİBAŞ | Abdulkadir ŞEKER

Ana Başlıklar:

Astronomi ve ilgili bilimler

Dergi:

Cumhuriyet Science Journal 2017 Vol.38 Issue 4, pp.716-730

Belge Tipi:

Makale

Yayın Tarihi:

12/2017

Belge Dili:

Türkçe

Document ID (Org No.):

2000920906

DOI:

https://doi.org/10.17776/csj.347653

ANFIS

Boyut İndirgeme

Derin Öğrenme

Oto Kodlayıcı

Sayı

Makale detayları

Farklı Boyut İndirgeme Yöntemlerinin, Anfis Modelinin Eğitim Performansı Üzerindeki Etkilerinin Karşılaştırılması

Yazarlar: Ahmet Gürkan YÜKSEK | Halil ARSLAN | Oğuz KAYNAR | Emre DELİBAŞ | Abdulkadir ŞEKER

Ana Başlıklar: Astronomi ve ilgili bilimler

Dergi: Cumhuriyet Science Journal 2017 Vol.38 Issue 4, pp.716-730

Belge Tipi: Makale

Yayın Tarihi: 12/2017

Belge Dili: Türkçe

Document ID (Org No.): 2000920906

DOI: https://doi.org/10.17776/csj.347653

ANFIS

Boyut İndirgeme

Derin Öğrenme

Oto Kodlayıcı

Sayı

Yazarlar:

Ahmet Gürkan YÜKSEK | Halil ARSLAN | Oğuz KAYNAR | Emre DELİBAŞ | Abdulkadir ŞEKER

Ana Başlıklar:

Astronomi ve ilgili bilimler

Dergi:

Cumhuriyet Science Journal 2017 Vol.38 Issue 4, pp.716-730

Belge Tipi:

Makale

Yayın Tarihi:

12/2017

Belge Dili:

Türkçe

Document ID (Org No.):

2000920906

DOI:

https://doi.org/10.17776/csj.347653