Ill ABSTRACT MS Thesis ANALYSIS OF NEURO-FUZZY SYSTEM' S TUNABLE PARAMETERS AND APPLICATIONS Rahime CEYLAN Selçuk University Gradute School of Natural and Applied Sciences Department of Electrical-Electronics Engineering Supervisor : Asst. Prof. Dr. Yüksel ÖZBAY 2004, 100 Pages Jury : Prof. Dr. Mehmet BAYRAK Asst. Prof. Dr. Yüksel ÖZBAY Asst. Prof. Dr. Salih GÜNEŞ Although the human brain can calculate a digital operation in a few minutes, it can perform the things about comprehension very quickly. Where as computers can calculate too complex operations, they are incapable of understanding and using informations that are obtained from the experiments. Nowadays, the Fuzzy Logic, Artificial Neural Network, the methods of artificial intelligence like Genetic Algorithm are developed from the effort to perform this feature of the human brain. Artificial neural networks (ANN) are consist of the units that are connected to each other with various connections. Each unit has the properties of a simplified neuron. The units in the neural networks consist of the layers which has certain functions. In recent years fuzzy logic which is used with ANN is a mathematical discipline which is based on the fuzzy cluster theory. Fuzzy logic processes according to the interval value like hot- warm-cold instead of hot-cold. In the study of this thesis, a new structure is developed by combining the fuzzy c-means and clustering algorithm. With the proposed structure it is aimed to reduce training time which is very long in some applications with obtaining same performance. Three different applications are performed by using the developed Fuzzy Clustering Artificial Neural Network (FCANN) structure. The first of these applications is selected as the solution of the XOR problem. In the second application, the data that are created artificially are classified seperately with FCANN and ANN structure and the results are presented in a comparative manner. In the third application, a training data set is made from 10 different arrhythmias that are taken from MIT-BIH ECG Arrhythmia Database. The training error is obtained as % 0.04 in the ANN structure which is trained with this training set. FCANN is trained with a new training set which is obtained by reducing this training set in rate of % 37 and training error of the structure is obtained as % 9.92e-10. Later the twoIV structure that are trained are tested with the data of 92 patients recorded in Cardiology Clinic in Medical Faculty of Selçuk University. The total test errors after the results of tests are % 1.48 for ANN and % 0.19 for FCANN. FCANN reduced training time with respect to ANN. Key Words: ANN, fuzzy logic, Fuzzy Clustering Artificial Neural Network, fuzzy c-means, clustering algorithm, ECG.

ÖZET Yüksek Lisans Tezi BULANIK SINIR AGI SİSTEMİNİN AYARLANABİLİR PARAMETRELERİNİN ANALİZİ VE UYGULAMALARI Rahime CEYLAN Selçuk Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilimdalı Danışman : Yrd. Doç. Dr. Yüksel ÖZBAY 2004, 100 sayfa Jüri : Prof. Dr. Mehmet BAYRAK Yrd. Doç. Dr. Yüksel ÖZBAY Yrd. Doç. Dr. Salih GÜNEŞ İnsan beyni sayısal bir işlemi birkaç dakikada yapabilmesine karşın, idrak etmeye yönelik olayları çok kısa bir sürede yapar. Fakat bilgisayarlar çok karmaşık işlemleri anında çözümleyebilmelerine karşın, idrak etme ve deneyimlerle kazanılmış bilgileri kullanabilme noktasında çok yetersizdirler. Günümüzde pek çok uygulama alanı bulan Bulanık Mantık, Yapay Sinir Ağları ve Genetik Algoritma gibi yapay zeka metotları da insan beyninin bu özelliğinin gerçekleştirilmesi çabasından ortaya çıkmıştır. Yapay sinir ağları (YSA), çeşitli bağlantılarla birbirine bağlı birimlerden oluşmuş sistemlerdir. Her birim basitleştirilmiş bir nöronun niteliklerini taşır. Sinirsel ağ içindeki birimler her birinin belli bir işlevi olan katmanlardan oluşmaktadır. Son yıllarda YSA ile birlikte kullanılmaya başlanan bulanık mantık ise bulanık küme teorisine dayanan bir matematiksel disiplindir. Bulanık mantık, insan mantığında olduğu gibi sıcak-soğuk yerine sıcak-ılık-soğuk gibi ara değerlere göre çalışmaktadır. Bu tez çalışmasında, yapay sinir ağları ve bulanık c-ortalamalar kümeleme algoritmasının birleştirilmesi ile yeni bir yapı geliştirilmiştir. Geliştirilen yapı ile YSA' da, bazı uygulamalarda çok uzun süren eğitme aşamasında aynı performansı sağlamak kaydı ile sürenin azaltılması amaçlanmıştır. Geliştirilen Bulanık Kümeleme Yapay Sinir Ağları (BKYSA) yapısı ile 3 farklı uygulama üzerinde çalışılmıştır. Bu uygulamalardan birincisi, XOR probleminin çözümü olarak seçilmiştir. İkinci uygulamada, yapay olarak üretilmiş datalar BKYSA ve YSA yapısı ile ayrı ayrı sınıflandırılmış ve sonuçlar karşılaştırmalı olarak sunulmuştur. Üçüncü uygulamada ise, MIT-BIH ECG Arrhythmia Database' den alman 10 farklı aritmiden oluşan bir eğitim data seti oluşturulmuştur. Bu eğitim seti ile eğitilen YSA yapısında, eğitim hatası % 0.04 olarak elde edilmiştir. Bu eğitim seti %37 oranında azaltılarak elde edilen yeni eğitim seti ile BKYSA yapısı eğitilmiş ve yapının eğitim hatası%9.92e-10 olarak elde edilmiştir. Daha sonra, eğitilen her iki yapıda S.Ü. Tıp Fakültesi Kardiyoloji A.B.D. kliniğinden kayıt edilen 92 hasta datası ile test edilmiştir. Testler sonueunda elde edilen toplam test hatası, YSA için %1.48 iken BKYSA için %0.19 olarak bulunmuştur. Eğitme süresi olarak, BKYSA' da YSA' ya göre azaltılmıştır. Anahtar Kelimeler: YSA, bulanık mantık, Bulanık Kümeleme Yapay Sinir Ağı, bulanık c-ortalamalar, kümeleme algoritması, EKG.