Tez No	İndirme	Tez Künye	Durumu
467805		Benzetilmiş tavlama algoritması ile adaptif ağ tabanlı bulanık mantık çıkarım sisteminin (ANFIS) eğitilmesi / Training adaptive neuro-fuzzy inference system (ANFIS)using simulated annealing algorithm Yazar:BÜLENT HAZNEDAR Danışman: PROF. DR. ADEM KALINLI Yer Bilgisi: Erciyes Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2017 174 s.
BENZETİLMİŞ TAVLAMA ALGORİTMASI İLE ADAPTİF AĞ TABANLI BULANIK MANTIK ÇIKARIM SİSTEMİNİN (ANFIS) EĞİTİLMESİ Bülent HAZNEDAR Erciyes Üniversitesi, Fen Bilimleri Enstitüsü Doktora Tezi, Mayıs 2017 Danışman: Prof. Dr. Adem KALINLI 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. Anahtar Kelimeler: ANFIS; benzetilmiş tavlama algoritması; ANFIS ağının eğitilmesi; sistem kimliklendirme; sınıflandırma; mikrodizi gen ifade.
TRAINING ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) USING SIMULATED ANNEALING ALGORITHM Bülent HAZNEDAR Erciyes University, Graduate School of Natural and Applied Sciences Ph.D. Thesis, May 2017 Supervisor: Prof. Dr. Adem KALINLI ABSTRACT Adaptive Neuro-Fuzzy Inference System (ANFIS), widely used in the solution of difficult problems, is a flexible and powerful artificial intelligence technique that has the ability to learn from examples and to distribute the knowledge that has been learned on the network depending on certain rules. Training of the ANFIS parameters consisting of the antecedent and conclusion parameters is a quite difficult nonlinear optimization problem. In this context, traditional algorithms for the training of ANFIS are widely used. However, training of ANFIS parameters with traditional algorithms may require very long times and the performance on especially difficult problems is often low. In this thesis study, it is proposed to successfully train the ANFIS model using iterative-based simulated annealing (SA) algorithm which is one of the artificial intelligence algorithm. The performance of the proposed approach is examined on different problems and the obtained results are compared with the results of different methods. In the scope of the thesis, the ANFIS model is trained using the SA algorithm for the dynamic systems identification and the obtained results are compared with the results of different methods. Also, studies are conducted to classify microarray gene expression data. The SA algorithm is used to train the ANFIS model for classification and the performance of the proposed method is compared with the performance of different algorithms. From the obtained results, it is concluded that SA algorithm can be successfully used for training ANFIS parameters. The time required for the SA algorithm to reach the global optimum may vary depending on the initial solution. This reduces the performance of the basic SA algorithm in terms of robustness. On the other hand, since population-based algorithms work with a set of candidate solutions, it is also known that they are able to access the global optimum region quickly. In the scope of the thesis, a new parallel simulated annealing algorithm (PSA) model is proposed by using the parallel structure advantage of population-based algorithms eliminating the disadvantage mentioned above for the SA algorithm to improve its performance. The performance of the proposed model is used to train ANFIS parameters to identify linear and nonlinear dynamical systems. As a result of the analyzes made, it has been seen that the performance of the basic SA algorithm has improved significantly. Keywords: ANFIS; simulated annealing algorithm; training ANFIS network; system identification; classification; microarray gene expression.