Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı

Yıl 2017, Cilt: 21 Sayı: 1, 125 - 130, 15.04.2017

Nilgün Şengöz , Gültekin Özdemir

https://doi.org/10.19113/sdufbed.15545

Cited By: 1

Öz

Yapılan bu çalışmada, sınıflandırma problemleri üzerinde durulmuştur. Bu çalışma 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 Uyarlamalı ağ tabanlı bulanık çıkarım sistemi (Adaptive-Network Based Fuzzy Inference Systems-ANFIS)  ile Basamak Korelasyon Sinir Ağı BKSA (Cascade Correlation Neural Network-CCNN) test performans yüzdeleri %86.41 ve %88.06 olup, işlem zamanı yönünden bakıldığında ise BKSA  0.59 saniye gibi kısa bir süre içerisinde sınıflandırma yapmıştır.  Arazi Uydu Görüntüleme veri kümesinde ise test 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 test 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.

Anahtar Kelimeler

Yapay zeka, Yapay sinir ağları; ANFIS; Basamak korelasyon sinir ağları; BKSA

Kaynakça

• [1] Fahlman, S.E., Lebiere, C., 1991. The Cascade-Correlation Learning Architecture; Report CMU-CS-90-100; Carnegie Mellon University: Pittsburgh, PA, USA, s. 1-13
• [2] Augusteijn, M.F., Clemens, L.E., 1994, A performance evaluation of texture measures for image classification and segmentation using cascadecorrelation architecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300–4305
• [3] McKenna, S.J., 1991 A Comparison of Neural Network Architectures for Cervical Cell Classification, IEEE, s. 105-109
• [4] Augusteijn, M., Skujca, T., 1993, Identification of human faces through texture-based feature recognition and neural network technology, In Proceedings of the IEEE International Conference on Conf. Neural Networks, s. 392–398
• [5] Burke HB, Goodman PH, Rosen DB, vd., 1997, Artificial neural networks improve the accuracy of cancer survival prediction., Cancer, s. 857–862
• [6] Prampero, P., Carvalho, A., 1999, Classifier Combination for Vehicle Silhouettes Recognition, Seventh International Conference on Image Processing and its Applications, IPA’99, s. 67-71
• [7] Jang, J.S.R, Sun, C.T., Mizutani, E., 1997, Neuro-fuzzy and soft computing, Prentice Hall, Upper Saddle River
• [8] Şenol, C., Yildirim T., 2009, Thyroid and Breast Cancer Disease Diagnosis using FuzzyNeural Networks, 6th International Conference on Electrical and Electronics Engineering (ELECO’2009)
• [9] Sharma, M., Mukharjee, S., 2013, Brain Tumor Segmentation Using Genetic Algorithm and Artificial Neural Network Fuzzy Inference System (ANFIS), Advances in Computing and Information, Springer - Verlag Berlin Heidelberg, s. 329–339
• [10] Ziasabounchi N., Askerzade I., 2014, ANFIS Based Classification Model for Heart Disease Prediction, Intenational Journal of Electrical and Computer Sciences. IJECS-Ijens
• [11] Ankışhan, H. ve Yılmaz, D., 2013, Comparison of SVM and ANFIS for snore related sounds classification by using the largest Lyapunov exponent and entropy, Computational and Mathematical Methods in Medicine
• [12] Rumelhart, D. E., Hinton, G. E., Williams, R. J. 1986, Learning Internal Representations by Error Propagation, Rumelhart, D. E. ve McClelland, J. L.JParallel Distributed Processing: Explorations in the Microstructure of Cognition, MIT Press
• [13] Schmitz, A., Courouble, F., Hefazi, H., Besnard, E., 2010, Modified Cascade Correlation Neural Network and its Applications to Multidisciplinary Analysis Design and Optimization in Ship Design, Machine Learning
• [14] Augusteijn, M.F., Clemens, L.E., 1994, A performance evaluation of texture measures for image classification and segmentation using cascadecorrelation architecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300–4305
• [15] McKenna, S.J., 1991 A Comparison of Neural Network Architectures for Cervical Cell Classification, IEEE, s. 105-109