Tez No	İndirme	Tez Künye	Durumu
380839		Genetik algoritma ile bulanık kural kümesinin otomatik olarak oluşturulmasında yeni bir yaklaşım / A new approach for automatic creation of fuzzy rule set by using genetic algorithm Yazar:ERSİN KAYA Danışman: PROF. DR. AHMET ARSLAN Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bulanık mantık = Fuzzy logic ; Evrimsel algoritmalar = Evolutionary algorithms    ; Genetik algoritmalar = Genetic algorithms ; Sezgisel algoritmalar = Heuristic algorithms	Onaylandı Doktora Türkçe 2014 96 s.
İnsanoğlu günlük hayatta karşısına çıkan bir problemi çözmek için sözel anlama ve belirsizlikle mücadele becerilerini kullanmak zorundadır. Bulanık mantık ve karar destek teknolojilerinin gelişmesiyle günümüzde bilgisayar sistemleri de belirsiz ve sözel verilerle işlem yapma kabiliyetine sahip olmuşlardır. Bu sayede bulanık mantık temelli pek çok uygulama ve yaklaşım ortaya konulmuştur. Bulanık mantık özellikle kontrol sistemlerinde, sınıflandırıcı sistemlerde ve karar destek sistemlerinde oldukça yaygın olarak kullanılmaktadır. Bulanık mantığın sınıflandırıcı sistemlerde kullanılan modelleri bulanık kural tabanlı sınıflandırıcılar olarak adlandırılmaktadır. Bulanık sınıflandırıcı sistemlerde çıkarım mekanizması önceden tanımlanmış kural kümesini kullanarak örnek verileri sınıflandırmaktadır. Sınıflandırıcının doğru olarak sınıflandırdığı örnek sayısı sınıflandırma başarısını göstermektedir. Bu sınıflandırıcılarda sınıflandırma başarısının yüksek olmasının yanında sistemin yorumlanabilirliğinin de yüksek olması gerekmektedir. Bulanık kural tabanlı sınıflandırıcılarda yorumlanabilirlik bulanık kural kümesindeki kural sayısı ve bu kuralların uzunluğu ile ifade edilmektedir. Kural sayısının ve kural uzunluğunun minimum olması sistemin yorumlanabililiğini artırmaktadır. Bir bulanık kural tabanlı sınıflandırıcı için en ideal bulanık kural kümesi, sınıflandırma başarısını maksimize eden en az sayıdaki ve en kısa uzunluktaki kural kümesidir. Bu tez çalışmasında, ideal bulanık kural kümesinin oluşturulması için 3 yeni yaklaşıma sahip bir genetik algoritma tasarlanmıştır. Bu yeni yaklaşımlarla verimliliği artırılan genetik algoritma, bulanık sınıflandırıcı için ideal bulanık kural kümesini etkin bir şekilde oluşturmaktadır. Bu yaklaşımlardan ilkinde, Pittsburgh ve Michigan yaklaşımlarının avantajlarını barındıran yeni bir genetik birey kodlama yöntemi sunulmuştur. İkinci yeni yaklaşım ise uygunluk fonksiyonunda gerçekleştirilmiştir. Uygunluk fonksiyonu sadece sınıflandırma başarısına bağlı olarak değil kural sayısı ve kural uzunluğuna bağlı olarakta hesaplanmaktadır. Böylece ideal bulanık kural kümesinin özelliklerine sahip bir arama gerçekleştirilmektedir. Üçüncü yeni yaklaşım ise genetik algoritmanın mutasyon operatöründe yapılmıştır. Klasik genetik algoritmalarda tek bir mutasyon oranı kullanılmakta ve bu orana göre mutasyon işlemi gerçekleştirilmektedir. Üç farklı mutasyon oranı kullanılarak, arama sırasında kural çeşitliliği sağlanırken daha kısa uzunlukta kuralların oluşmasına yardımcı olmaktadır. Tez çalışmasında ortaya konulan yöntem ile literatürde başarı göstermiş 5 farklı yöntem kıyaslamıştır. Kıyaslama işlemi Toronto Üniversitesi ve Irvine California Üniversitesine ait veri ambarlarından elde edilen 18 farklı veri kümesi üzerinde yapılmıştır. Kıyaslama işleminin tutarlılığı için 10-kez çapraz doğrulama yöntemi 3 defa tekrarlanarak kullanılmıştır. Elde dilen sonuçlar sınıflandırma başarısı, kural sayısı ve kural uzunluğu açısından karşılaştırılmış ve analiz edilmiştir. Elde edilen sonuçlar istatistiksel olarak incelenmiş ve önerilen yöntemin diğer yöntemler karşısındaki başarısı ortaya konulmuştur. Anahtar Kelimeler: Bulanık kural tabanlı sınıflandırıcı sistemler, Bulanık mantık, Genetik algoritmalar.
The human beings have to use linguistic understanding skills and deal with uncertainties to solve problems that encountered in everyday life. By the technological advancement in fuzzy logic and decision support systems, today computer systems can also process linguistic data and deal with uncertainties. Thus, fuzzy logic is used in control systems, classification systems and decision support systems. Fuzzy logic systems which are used in the classifier model are called fuzzy rule-based classifiers. In fuzzy classification systems, inference mechanism classifies the sample data by using a set of predefined rules. The number of samples of the classifier correctly classified indicates classification performance. In addition to need high classification performance of the system, interpretability of the system should also to be high. Interpretability is described by the number of rules in the rule set and the length of these rules in fuzzy rule-based classification systems. Interpretability described by rarity and shortness of rules in a fuzzy rule based system. Thus the best set of fuzzy rules for fuzzy rule-based classification systems is a set of rules, which maximizes the classification performance and which has minimum number of rules with minimum length. In this study, genetic algorithm that contains three new approaches is designed to create ideal set of fuzzy rules. Genetic algorithm, which increased productivity with these new approaches, effectively creates a set of rules for fuzzy classifier. First of these approaches is a new coding method of genetic individual that contain the advantages of Pittsburgh and Michigan approaches. The second new approach is carried out in the fitness function. Instead of calculating fitness function only from classification performance, number and the length of rules also effected. Thus, a search of the ideal set of fuzzy rules is provided. The third new approach is applied in genetic algorithm mutation operator. In classical genetic algorithms, a single mutation rate is used and mutation operation is performed according to this ratio. Using three different mutation rates, while maintaining the diversity rules, causes shorter length rules appear. Test results of proposed method in this thesis compared to 5 different successful methods in the literature. Benchmarking process was conducted on 18 different data sets obtained from the data repository of University of Toronto and University of California. For consistency of benchmarking process, 10-fold cross validation method is repeated 3 times. The obtained results compared and analyzed in terms of classification success, the number of rules and the length of rules. The obtained results were statistically analyzed and the success of the proposed method versus other methods has been introduced. Keywords: Fuzzy logic, Fuzzy rule-based classification systems, Genetic algorithm