Tez No	İndirme	Tez Künye	Durumu
335276		Yapay bağışıklık algoritmaları kullanılarak bulanık sistem tasarımı / The fuzzy system designing using artificial immune system algorithms Yazar:AYŞE MERVE ACILAR 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:	Onaylandı Doktora Türkçe 2013 156 s.
İnsan düşünce sistemin iki temel özelliği vardır. Bunlardan birincisi belirsiz, kesin olmayan ve eksik bilgilerin bulunduğu ortamlarda sözel düşünme ve muhakeme yeteneği ile makul kararlar verebilmesi, ikincisi de herhangi bir ölçüm veya hesaplama yapmadan edindiği tecrübe ve gözlemleri kullanarak fiziksel ve zihinsel işlemleri yerine getirebilmesidir. İşte bu iki özelliği formülize etmeye odaklanan yöntem Bulanık Mantık olarak adlandırılır. Bulanık mantık kullanılarak modellenmiş sistemlere de Bulanık Sistemler ismi verilir. Bulanık sistemler; esnek yapısı sayesinde kesin olmayan verileri, belirsizlik ve olasılık durumlarını, karmaşık ve doğrusal olmayan fonksiyonları, dilsel değişkenler kullanarak anlaşılması kolay bir biçimde modeller. Ancak, sistemin modellenmesinden önce, bulanık sistemlere ait çeşitli parametrelerin tespit edilmesi gerekir. Bu aşamada konu üzerinde uzmanlaşmış kişilerin fikir ve tecrübelerinden faydalanılması gerekir ama bir uzman görüşüne ulaşmak her zaman mümkün olmayabilir, mümkün olduğunda da uzmandan çok büyük ve dinamik yapıda olan bir veri kümesinden bu parametreleri doğru şekilde tespit etmesini beklemek zordur. Bu yüzden öğrenme yeteneği olan algoritmalar kullanılarak, gerçek dünya verilerinden bulanık sistem parametrelerinin tespit edilmesi araştırmacıların ilgisini çeken bir konu olmuştur. Bu tez çalışmasında, evrimsel algoritmalardan yapay bağışıklık sistemi (YBS) algoritmalarının öğrenme yeteneğinden faydalanılarak sistem parametrelerinin gerçek dünya verilerinden tespit edildiği, verimli ve yorumlanabilirliği yüksek bulanık sistemler tasarlanması üzerinde çalışılmıştır. Bunun için bulanık mantığın çekirdeğinde yer alan derecelendirme ve taneciklendirme (D/T) kavramlarının üzerinde durulmuştur. Tezin ilk bölümünde, bulanık üyelik fonksiyonlarına (ÜF) ait en uygun taban uzunluklarının tespiti yapılmıştır. Üyelik fonksiyonunun taban uzunluğu değiştikçe, bireylerin o kümeye olan aitlik dereceleri de değiştiği için bu süreç derecelendirme işlemine karşılık gelmektedir. Diğer bir deyişle, bir bireyin her hangi bir bulanık kümeye olan aitliğinin en uygun derecesinin tespit edilmesi bir optimizasyon problemi olarak ele alınmış ve çözümü için YBS tabanlı bir algoritma olan CLONALG?nin kullanılması önerilmiştir. Önerilen yöntem, tek girişli/çıkışlı ve çok girişli/çıkışlı iki bulanık sistem örneği üzerine tatbik edilmiştir. Elde edilen sonuçlar, popüler bir evrimsel algoritma olan genetik algoritma kullanılarak elde edilen sonuçlar ile istatistikî olarak kıyaslanmış ve önerilen yöntemin daha avantajlı olduğu gösterilmiştir. Tezin ikinci aşamasında, ilk olarak her bir niteliğin kaç üyelik fonksiyonuna sahip olması gerektiğinin ve ÜF?larının başlangıç yerleşim yerlerinin bulunması için önerilen Siluet küme Doğrulama indeksi ve k-ortalama tabanlı (SDko) yeni bir ön işlem algoritması tanıtılmıştır. Bu önişlem adımı sayesinde taneciklendirme işlemi için gerekli olan ön bilgiler uzman yardımı olmaksızın eğitim verisi kullanılarak elde edilmiştir. Daha sonra, bulanık tanecikleri derecelendirmesinin yanı sıra dinamik şekilde kural tabanını da optimize edebilen yeni bir algoritma önerilmiştir. GYAopt-aiNet ismi verilen bu algoritma (Geliştirilmiş ve memetic algoritmanın Yerel Arama stratejisiyle birleştirilmiş opt-aiNet), yapay bağışıklık tabanlı opt-aiNet algoritmasının tez çalışması esnasında tespit edilen eksikliklerinin giderilerek elde edilmiş olan versiyonuna, Memetik algoritmanın yerel arama mekanizmasının eklenmesi ile oluşturulmuştur. Böylece, opt-aiNet algoritmasının hiper mutasyon ve baskılama mekanizmalarında yapılan değişiklikler ile iyileştirilen genel arama yeteneği, Memetik algoritmanın yerel arama stratejisi ile tamamlanmış ve bu mekanizmalar sayesinde optimum sonuca daha doğru şekilde ulaşılması sağlanmıştır. Önerilen yöntemler, özel bir bulanık mantık sistem türü olan bulanık sınıflandırıcı tasarlamak için kullanılmıştır. Sunulan yaklaşım, 20 farklı sınıflandırma veri kümesi üzerinde test edilmiş ve sonuçlar 22 farklı sınıflandırma yöntemi ile kıyaslanmıştır. Sonuçlar, üç kez tekrarlanan 10 çapraz doğrulama yönteminden gelen sınıflandırma doğruluklarının ortalaması alınarak elde edilmiştir. Elde edilen sonuçlar istatistikî olarak kıyaslanmış ve GYAopt-aiNet algoritmasının, bulanık sınıflandırıcı tasarım problemi için diğer algoritmalara göre daha makul, kabul edilebilir ve başarılı sonuçlar ürettiği gösterilmiştir.
The human thought system has two main remarkable capabilities. First of these capability is that to make reasonable decisions in an environment of imprecision, uncertainty, incompleteness of information and second, the capability to perform a wide variety of physical and mental tasks without any measurements and any computations. Fuzzy logic is a method that tries to formalize these human capabilities and the systems which are modelled using fuzzy logic are called Fuzzy Systems. The fuzzy systems could model imprecise information, partiality of truth and partiality of possibility situations, complex and nonlinear functions using linguistic variables via their flexible structures. Before the fuzzy systems are designed, some parameters about systems must be determined. Experiences and opinions of an expert could be used in this stage because the fuzzy systems could not be learned its parameters by itself. However, it is not always possible to reach opinion of an expert or an expert couldn?t detect the value of parameters correctly. Because of that, learning of the system parameters from the real world data using evolutionary algorithms becomes a popular research area. In this thesis, we study on detecting the parameters of the fuzzy system from real world data to design efficient and interpretable systems using the learning capability of artificial immune system algorithm. For this, we used the graduation and granulation concepts that are placed in the core of fuzzy logic. In the first part of the thesis, determining the most suitable base lengths of the fuzzy membership functions was made. While the base lengths of the fuzzy membership functions changes, the graduation degree of the individual also changes. In other words, graduation process was realised. This process could be thought as an optimization problem and CLONALG algorithm, one of the most popular artificial immune system algorithms, was used to solve it. The proposed method was applied to two different fuzzy system examples. One of them is single input single output fuzzy system and the other is multi input multi output fuzzy system. This optimization problem also solved using genetic algorithm. The obtained results from these algorithms were compared statistically and it was showed that the proposed method is more advantageous to solve this problem. In the second part of the thesis, firstly a new preprocesses algorithm called SPP (Silhouette cluster validity index aided Pre-Process step via k-means clustering algorithm) was introduced to determine the number of membership functions and their initial boundaries. The prior knowledge needed for granulation process was acquired by the SPP algorithm without the help of an expert person. Then, Mopt-aiNetLS (Modified version of opt-aiNet combined with Local Search strategy of memetic algorithm) algorithm was proposed to graduate the fuzzy granules as well as to optimize the fuzzy rule base dynamically. The Mopt-aiNetLS was the combination of the memetic algorithm and modified version of the opt-aiNet algorithm, in which some changes were made in the suppression and hypermutation mechanisms of the original opt-aiNet algorithm. These two new mechanisms were called as Intelligent Suppression Mechanism and Adaptive Hypermutation Operator. Combining the modified version of opt-aiNet with the local search strategy of memetic algorithms improve the accuracy of the classification rate. An effective search process was realised by the Mopt-aiNetLS, because the global search capability of opt-aiNet was complemented by the local search strategy of the memetic algorithm. The proposed algorithms were used to design a fuzzy classifierier that is a special case of fuzzy systems. In order to test the performance of this new approach, 20 different well-known classification dataset benchmark problems from the UCI dataset were used. The average 3x10 cross-fold validation results obtained from these datasets are presented and compared with the results of 22 different classification algorithms reported in the literature. The Wilcoxon Signed-Rank Test was also used for statistical comparisons. The obtained results demonstrate the effectiveness of the proposed approach.