Tez No	İndirme	Tez Künye	Durumu
781364		Application of fuzzy logic and machine learning methods for food quality control / Gıda kalitesi kontrolünde bulanık mantık ve makine öğrenmesi yöntemlerinin uygulanması Yazar:ZAINAB NASIH Danışman: PROF. DR. İMAN ASKERBEYLİ Yer Bilgisi: ANKARA ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Anahtar Kelime:Destek vektör makineleri = Support vector machines ; Makine öğrenmesi = Machine learning ; Optimizasyon = Optimization ; Tahmin teknikleri = Estimation techniques ; Yapay sinir ağları = Artificial neural networks	Onaylandı Doktora İngilizce 2023 138 s.
Bu çalışmada, gıda ürünlerinin kalitesi, daha yüksek doğruluk elde etmek ve kalite kontrol sistemleri için optimum performansı desteklemek amacıyla bulanık tabanlı yöntemler kullanılarak değerlendirilmektedir. Bu çalışma için şarap, zeytinyağı ve ekmek olmak üzere üç ürün seçilmiş ve bulanık tabanlı makine öğrenmesi algoritmaları geliştirilmiştir. Çalışmanın ilk aşaması, ağırlıklı ilgili vektör makinesi (RVM) kullanılarak buğday ekmeğinin kalitesini değerlendirmek için tasarlanmıştır. İkinci aşama, Geliştirilmiş Karga Arama Optimizasyonu kullanılarak Nöro-Geliştirme Topolojileri (NEAT) ve Bulanık optimize edilmiş sinir ağlarının geliştirilmesi yoluyla şarap kalitesini kullanır. Çalışmanın üçüncü aşaması, yapay sinir ağları (ANN), destek vektör makinesi (SVM) ve rastgele ormanlar (RF) kullanarak zeytinyağı kalite değerlendirmesini geliştiriyor. İlk metodolojide, LDA ve FWRVM algoritmalarını kullanarak ekmek kalitesini tahmin etmek için etkili bir çerçeve sunulmaktadır. İkinci metodolojide, bulanık mantık, sinir ağları ve geliştirilmiş bir ICSA algoritmasının bir kombinasyonu olan NEAT algoritması ve ICSA-FNN'nin hibrit sınıflandırıcısını kullanan verimli bir şarap kalitesi tahmin modeli sunulmuştur. Üçüncü metodolojide, özellik azaltma için PCA ve LDA ve tahmin için SVM sınıflandırıcıları, RF ve ANN kullanan verimli bir zeytinyağı kalite tahmin modeli sunuldu. Ekmek, şarap ve zeytinyağı için toplanan veri setleri üzerinde deneyler yapılmış ve sonuçlar önerilen metodolojilerin mevcut geleneksel yöntemlerden daha iyi performans sağladığını göstermiştir.
In this study, the quality of food products is assesses using fuzzy based methods to achieve higher accuracy and to support optimal performance for quality control systems. Three products namely wine, olive oil and bread are selected for this study and efficient fuzzy based machine learning algorithms have been developed. The first phase of study has been modelled to assess the quality of wheat bread using Fuzzy weighted relevance vector machine (RVM). The second phase employs the wine quality through the development of Neuro-Evolution of Augmenting Topologies (NEAT) and Fuzzy optimized neural networks using improved crow search optimization. The third phase of study improvises the assessment of olive oil quality using Artificial Neural Networks (ANN), Support Vector Machine (SVM) and Random Forests (RF). In the first methodology, an efficient bread quality estimation framework using LDA and FWRVM algorithms was presented. In the second methodology, an efficient wine quality estimation model using the NEAT algorithm and hybrid classifier of ICSA-FNN which is a combination of fuzzy logic, neural networks and an improved ICSA algorithm were presented. In the third methodology, an efficient olive oil quality estimation model was presented using the PCA and LDA for feature reduction and SVM, RF and ANN classifiers for prediction. Experiments are performed over the collected datasets for breads, wine and olive oil and the results showed that the proposed methodologies provided better performance than the existing conventional methods.