Geri Dön

Novel clustering methods for neurofuzzy systems design

Bulanık sinir ağları tasarımında yeni kümeleme yöntemleri

PDF İndir

  1. Tez No: 266274
  2. Yazar: YUNİS TORUN
  3. Danışmanlar: PROF. DR. GÜLAY TOHUMOĞLU
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Kümeleme yöntemi, Sınıflandırma, Cluster method, Classification
  7. Yıl: 2010
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tezde, bulanık sinir ağlarının tasarımında eniyilenmiş parametreleri olan yeni kümeleme yöntemleri geliştirildi. Benzetilmiş Tavlama eniyileme (BT) yönteminin değiştirilmiş hali ile Çıkartımlı Kümeleme (ÇK) yöntemi bulanık sisteme uyarlanarak, eniyilenmiş bulanık kural tabanı, eniyilenmiş parametreler ve en önemli girişleri seçen bulanık sınıflandırıcı (BTÇKBS) türetildi. Farklı eniyileme senaryolarını göstermek amaçlı BTÇKBS-Tip1, Tip2, Tip3 ve Tip4 olmak üzere dört farklı sınıflandırıcı geliştirildi. Her bir BTÇKBS tip sınıflandırıcı bazı benzer özellikler taşımasına rağmen, Tip4 de melez bir özellik seçmede geliştirildiği için sınıflandırıcı daha iyi bir sınıflandırma performansına sahiptir. İki yeni Bulanık Sinir Ağı tabanlı Sınıflandırıcı (BSS), BSS1 ve BSS2 olarak ortaya konuldu. Her iki sınıflandırıcının ağ mimarilerinin kurulmasında Kaybedeni Cezalandırıcı Rekabetçi Öğrenme (KCRÖ) tabanlı kümeleme yöntemi kullanıldı. Yeni bir KCRÖ tabanlı hata geri yayılma öğrenme algoritması BSS2'nin parametrelerinin ayarlanması için geliştirildi. Kural uyum mekanizması BSS2'nin öğrenme sürecine dâhil edilerek hem parametrelerin hem de sınıflandırıcı yapısının öğrenme sürecinde dinamik olarak değiştirilmesi sağlandı. Bazı sınıflandırma problemlerinde test edilerek ortaya konan sınıflandırıcıların, yakın zamandaki çalışmalardaki benzer diğer sınıflandırıcılarla karşılaştırıldığında daha iyi bir sınıflandırma başarısına sahip olduğu bulundu

Özet (Çeviri)

In this thesis, novel clustering methods with optimized parameters in order to have NeuroFuzzy inference systems design are developed. A modified version of Simulated Annealing (SA) optimization and Subtractive Clustering (SC) techniques are adapted to Fuzzy System to form a fuzzy classifier (SASCFC) in order to obtain optimum fuzzy rule base, parameters and to find out most important inputs. Four distinct classifiers namely SASCFC-Type1, Type2, Type3 and Type4 are derived in order to form different optimization scenarios. Although there are some similarities in each type of SASCFC, Type4 has best classification performance because a hybrid feature selection algorithm is also developed in Type4. Two new NeuroFuzzy Classifiers (NFC) are proposed as NFC1 and NFC2. Initial structures of both classifiers are set up via Rival Penalized Competitive Learning (RPCL) based clustering. A new RPCL type gradient descent training algorithm is also proposed for the NFC2. Rule adaptation mechanism is embedded into training of the NFC2 that both parameters and structural optimization performed twice which enables to change the structure of classifiers by adding new rules and deleting unnecessary rules in training phase dynamically. It is found that the proposed classifiers, which are tested on some benchmarks problems, have good performance in comparing to their counterparts in recent literature

Benzer Tezler

  1. Tez No

    701473

    Integrating fuzzy logic into deep autoencoders for interpretability and clustering

    Yorumlanabilirlik ve öbekleme için bulanık mantığın derin özkodlayıcılara entegre edilmesi

    KUTAY BÖLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. Tez No

    371836

    Type-2 fuzzy clustering for fuzzy modeling applications

    Bulanık modelleme uygulamaları için tip-2 bulanık kümeleme

    AYŞE ÇİSEL ARAS

    Doktora

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OKYAY KAYNAK

  3. Tez No

    897479

    Developing novel methods on data stream classification and clustering for accuracy improvement

    Veri akışı sınıflandırma ve kümeleme üzerine doğruluğu artırmaya yönelik yeni yöntemler geliştirilmesi

    ENGİN MADEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. PINAR KARAGÖZ

  4. Tez No

    507355

    Novel Mathematical Methods for Analysis of Brain White Matter Fibers Using Diffusion MRI

    Beyindeki Beyaz Cevher Liflerinin Difüzyon MRG Görüntüleri Kullanılarak Analizinde Yeni Matematiksel Yöntemler

    DEVRAN UĞURLU

    Doktora

    İngilizce

    İngilizce

    2018

    Bilim ve TeknolojiSabancı Üniversitesi

    PROF. DR. GÖZDE ÜNAL

  5. Tez No

    150829

    Gradient networks design for clustering in novel optimization frameworks

    Yeni en iyileme çerçevelerinde öbekleme için gradyan ağlrın tasarımı

    HATİCE DOĞAN

    Doktora

    İngilizce

    İngilizce

    2004

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CÜNEYT GÜZELİŞ

Geri Dön