Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2017
Tezin Dili: Türkçe
Öğrenci: Bülent HAZNEDAR
Danışman: Adem Kalınlı
Özet:
Zor problemlerin
çözümünde yaygın olarak kullanılan Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım
Sistemi (ANFIS), örneklerden öğrenebilme ve öğrenmiş olduğu bilgiyi belirli
kurallara bağlı olarak ağ üzerinde dağıtabilme yeteneği olan esnek ve güçlü bir
yapay zekâ tekniğidir. Başlangıç ve sonuç parametrelerinden oluşan ANFIS
parametrelerinin eğitimi, doğrusal olmayan oldukça zor bir optimizasyon
problemidir. Bu kapsamda, ANFIS’in eğitimi için geleneksel algoritmalar yaygın
olarak kullanılmaktadır. Ancak, geleneksel
algoritmalar ile ANFIS parametrelerinin eğitimi çok uzun süreler gerektirebilmekte ve özellikle zor
problemlerdeki performansı çoğunlukla düşük olmaktadır. Bu tez
çalışmasında, ANFIS modelinin başarılı bir şekilde eğitilmesi için yapay zekâ
optimizasyon algoritmalarından iteratif tabanlı benzetilmiş tavlama (SA) algoritmasının
kullanılması önerilmiştir. Önerilen yaklaşımın performansı farklı problemler
üzerinde incelenmiş ve elde edilen sonuçlar farklı yöntemlere ait sonuçlarla karşılaştırılmıştır.
Tez kapsamında,
dinamik sistemlerin kimliklendirilmesi amacıyla ANFIS modeli SA algoritması
kullanılarak eğitilmiş ve elde edilen sonuçlar farklı yöntemlere ait sonuçlar
ile karşılaştırılmıştır. Ayrıca, mikrodizi gen ifade verilerini sınıflandırmak
için de çalışmalar yapılmıştır. Sınıflandırmada kullanılan ANFIS modelinin
eğitilmesi için SA algoritması kullanılarak, önerilen yöntemin performansı
farklı algoritmaların performanslarıyla karşılaştırılmıştır. Elde edilen
sonuçlardan SA algoritmasının, ANFIS parametrelerini eğitmede başarılı bir
şekilde kullanılabileceği kanaatine varılmıştır.
SA algoritmasının küresel optimuma erişebilmesi için gereken süre
başlangıç çözümüne bağlı olarak değişim göstermektedir. Bu durum temel SA
algoritmasının dinçlik bakımından performansını çoğunlukla düşürmektedir. Popülasyon tabanlı algoritmaların ise çözümlerin
bir seti ile çalışması, araştırmanın küresel optimumun bulunduğu bölgeye hızla
erişmesini sağlamaktadır. Tez çalışması kapsamında, SA algoritmasının yukarıda
bahsedilen dezavantajını ortadan kaldırıp performansını artırmak için,
popülasyon tabanlı algoritmaların paralel yapı avantajını kullanarak yeni bir
paralel benzetilmiş tavlama algoritması (PSA) modeli önerilmiştir. Önerilen modelin performansı doğrusal ve doğrusal olmayan dinamik
sistemlerin kimliklendirilmesi amacıyla ANFIS parametrelerinin eğitilmesi için
kullanılmıştır. Yapılan analizler sonucunda temel SA algoritmasının performansında
önemli düzeyde iyileşme sağlandığı görülmüştür.