İris Çiçeği Türünün YSA Yöntemleri ve ANFIS ile Tahmini

Yıl 2020, Cilt: 1 Sayı: 1, 5 - 11, 01.01.2020

Serel Özmen-akyol Eyyüp Gülbandılar

Öz

Örüntü kullanılarak
sınıflandırma yapmak, sanayi ve tıp alanında yaygın olarak kullanılmaktadır.
Fakat gözlemsel sınıflandırma yapılırken kişisel hatalar meydana gelmektedir.
Bu sınıflandırma hatalarını azaltmak için yapay öğrenme yöntemleri
kullanılmaktadır. Bu çalışmada, yapay sinir ağı (YSA) ve bulanık yapay sinir
ağı (ANFIS) kullanılarak iris çiçeği türünün 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.

Anahtar Kelimeler

Yapay Sinir Ağları, Bulanık Sinir Ağları, Uyarlanabilir Bulanık Sinir Ağları Sistemi, Örüntü Sınıflama

Estimation of Iris Flower Type with ANN and ANFIS

Öz

Pattern classification
is also widely used in industry and medicine. While the classical observational
classification is made, the errors in classification due to personal mistakes
occur. Artificial learning methods are usually used to reduce these
classification errors. In this study, it is aimed to classify iris flower
species by using the artificial neural network (ANN) and fuzzy artificial
neural network (ANFIS). In this study, it was preferred to use the sample data
of iris flower widely used. The selected ANN model has three layers,
feedforward, four inputs and one output. In the ANN model training was used the
90 sample data and in the testing process were used 60 sample data. The
selected ANFIS model has two fuzzy sets for each input neuron, four inputs, and
one output. In this model, training and testing were carried out using similar
samples. For both models, the actual values and predicted values were compared.
It was obtained low error rates. The classification results of ANN and ANFIS
methods were compared and it was found that ANN method produces closer
estimations than ANFIS method.  

Anahtar Kelimeler

Artificial Neural Networks, Fuzzy Neural Networks, Adaptive-Network Based Fuzzy Inference Systems, Pattern Classification

Kaynakça

• [1] 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.
• [2] 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.
• [3] 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.
• [4] 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.
• [5] "İris veri seti," https://archive.ics.uci.edu/ml/datasets/iris. [Accessed: 21-Dec-2016].
• [6] 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.
• [7] E. Binici, “Java ile yapay zeka mekanizmasına sahip bir ağ yönetim sistemi geliştirilmesi,” Ege Üniversitesi, 2006.
• [8] Ç. Elmas, Yapay Sinir Ağları, Kuram,Mima. Ankara: Seçkin Yayıncılık, 2003.
• [9] “Yapay Sinir Ağları,” 1994. [Online]. Available: http://ube.ege.edu.tr/~cinsdiki/UBI521/Chapter-1/cinsdikici-neural-net-giris.pdf. [Accessed: 22-Dec-2016].
• [10] 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.
• [11] 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.
• [12] L. H. Tsoukalas and R. E. Uhrig, Fuzzy and neural approaches in engineering. NewYork: Jhon Wiley & Sons, 1996.
• [13] B. Kosko, Neural networks and fuzzy systems, A Dynamical Systems Approach. Englewood Ciffs: NJ: Prentice Hall, 1991.
• [14] J.-S. Jang, “ANFIS: Adaptive network-based fuzzy inference systems,” IEEE Trans. Syst. Man. Cybern., vol. 23, no. 3, pp. 665–685, 1993.
• [15] 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.
• [16] P. Perez, “Prediction of sulfur dioxide concentrations at a site near downtown Santiago, Chile,” Atmos. Environ., vol. 35, no. 29, pp. 4929–4935, 2001.
• [17] 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.
• [18] Witt, S. F. ve Witt, C. A., Modeling and forecasting demand in tourism. Swansea, UK: European Business Management School, University of Wales, 1992.
• [19] Lewis, C.D. 1982. Industrial and Business Forecasting Methods, Butterworths Publishing, Londra.