Yazar "Şahan, Seral" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    A New Method to Medical Diagnosis: Artificial Immune Recognition System (Airs) With Fuzzy Weighted Pre-Processing and Application to Ecg Arrhythmia
    (Pergamon-elsevier Science Ltd, 2006) Polat, Kemal; Şahan, Seral; Güneş, Salih
    Changes in the normal rhythm of a human heart may result in different cardiac arrhythmias, which may be immediately fatal or cause irreparable damage to the heart sustained over long periods of time. The ability to automatically identify arrhythmias from ECG recordings is important for clinical diagnosis and treatment. Artificial immune systems (AISs) is a new but effective branch of artificial intelligence. Among the systems proposed in this field so far, artificial immune recognition system (AIRS), which was proposed by A. Watkins, has showed an effective and intriguing performance on the problems it was applied. Previously, AIRS was applied a range of problems including machine-learning benchmark problems and medical classification problems like breast cancer, diabets, liver disorders classification problems. The conducted medical classification task was performed for ECG arrhythmia data taken from UCI repository of machine-learning. Firsly, ECG dataset is normalized in the range of [0,1] and is weighted with fuzzy weighted pre-processing. Then, weighted input values obtained from fuzzy weighted pre-processing is classified by using AIRS classifier system. In this study, fuzzy weighted pre-processing, which can be improved by ours, is a new method and firstly, it is applied to ECG dataset. Classifier system consists of three stages: 50-50% of traing-test dataset, 70-30% of traing-test dataset and 80-20% of traing-test dataset, subsequently, the obtained classification accuries: 78.79, 75.00 and 80.77%.
  • Küçük Resim
    Öğe
    Yapay bağışılıkta yeni algoritmalar
    (Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2004-07-14) Şahan, Seral; Güneş, Salih
    Teknolojinin ilerlemesi, çözümü karmaşık problemleri beraberinde getirmiş ve bilinen yöntemler, karmaşıklaşan bu problemlerin çözümünde yetersiz kalmaya başlayınca, farklı çözüm yolları araştırılmaya başlanmıştır. Bunu takiben ortaya çıkan Yapay Sistemler, özellikle 1900'lü yılların ortalarından itibaren adını sıkça duyurmaya başlamıştır. Yapay Zeka teknikleri arasında yeni bir sistem, Yapay Bağışıklık Sistemleri (YBS), bir çok özelliği ile etkin sonuçlar elde etme anlamında umut vadeden bir sistem olarak belirginleşmektedir. Diğer Yapay Zeka tekniklerinin ortaya çıkışında olduğu gibi YBS de gelişimini, Bağışıklık Sisteminde gerçekleşen olayları kavramaya yönelik oluşturulan Bağışıklık Sistemi modellerine borçludur. Bu modellerden yola çıkılarak oluşturulan Yapay Bağışıklık Sistemleri, araştırmacıların katkıları sayesinde kısa zamanda ve pek çok alanda uygulanabilir alanlardaki çalışmalar ile gelişim hızı katmıştır. YBS çalışmalarına yapabilecekleri katkılar iki şekilde gerçekleştirilebilir. Bunlardan birisi oluşturulmuş mevcut algoritmaların eksikliklerini tespit edip bu eksiklikleri giderici öneriler sunarak sistemlerin performanslarını artırmaya çalışmaktır. Yapılabilecek diğer katkı şekli de yeni modellemelerin oluşturulması ile bağışıklık tabanlı yeni sınıflama algoritmalarının öne sürülmesidir. Bu tez çalışmasında, Yapay Bağışıklık Sistemleri alanında yapılan çalışmalara bir katkıda bulunmak ve Yapay Zeka ile ilgili gelişimleri hızlandırmak amacıyla üç farklı Yapay Bağışıklık Algoritması geliştirilmiştir. Geliştirilen algoritmalardan ilki olan YBSVQ algoritmasıdır. Bu algoritma Bağışıklık Sistemindeki işleyişler ile vektör kuantizasyonu algoritmalarındaki benzerlikler örnek alınarak oluşturulmuştur. Bu algoritmanın özü, Bağışıklık tabanlı bir vektör kuantizasyonu sistemidir. Söz konusu sistemde kuantizasyon vektörlerinin bu tezde geliştirilen Bağışıklık algoritması ile oluşturulmasının yanı sıra, Bağışıklık Sistemindeki adaptiflik özelliğinin de ayrıca kullanılması literatürdeki diğer vektör kuantizasyonu algoritmalarından farklı olarak 11 Algoritmanın parametreleri, Lineer ayrılabilir 5-sınıf veri kümesi ile analiz edilmiş ve yine aynı veri kümesinde sistemin simülasyonu gerçekleştirilmiştir. Uygulamalar sonucunda sistemde uygun parametre değerleri seçildiğinde istenen hata seviyesinde kuantizasyon işleminin gerçekleştirilebileceği sonucuna varılmıştır. Geliştirilen bir diğer algoritma, AWAIS (Attribute Weighted Artificial Immune System) algoritmasıdır. Şimdiye kadar oluşturulmuş çoğu Yapay Bağışıklık Sisteminde kullanılan şekil uzayı gösteriminden kaynaklanan bazı problemleri ortadan kaldırmaya yönelik oluşturulan AWAIS algoritması, sınıflanacak verilerde önem taşıyan özelliklere diğerlerine göre daha fazla ağırlık verilmesiyle oluşturulmuş danışmanlı bir Yapay Bağışıklık algoritmasıdır. Yine Lineer Ayrılabilir 5-sınıf veri kümesi ile eğitme parametrelerinin sistem performansını nasıl etkilediği analiz edilmiş, Two-spirals yapay veri kümesi ve Chainlink yapay veri kümesi ile de performans analizleri gerçekleştirilmiştir. Geliştirilen sistemin her iki veri kümesini de test setinde %100 sınıflama doğruluğu ile tanıdığı gözlemlenmiştir. Bunun yanında geliştirilen sistem benzer modellemelerin yapıldığı bir Yapay Bağışıklık algoritması olan aiNet sistemi ile karşılaştırılmıştır. Yine aynı veri kümeleri için %100 sınıflama gerçekleştirmiş olan aiNet algoritmasına göre AWAIS algoritması, daha az sistem birimi ile daha kısa sürede eğitme gerçekleştirmiştir. Tez çalışmasında ortaya atılan son algoritma olan SAMA (Supervised Affinity Maturation) algoritması, Bağışıklık Sistemindeki birimlerin farklı bir modellenmesinin öne sürüldüğü ve oluşturulmuş duyarlılık olgunlaşması modellerinden daha farklı bir eğitme algoritmasının kullanıldığı danışmanlı bir Yapay Bağışıklık Algoritmasıdır. Geliştirilen algoritma yine Lineer ayrılabilir 5-sınıf veri kümesi ile analiz edilmiş, Two-spirals veri kümesi ve Chainlink veri kümesi kullanılarak ta performansı değerlendirilmiştir. Algoritma hem aiNet'e göre hem de AWAIS algoritmasına göre dikkate değer boyutta bir veri azaltımı sağlamış ve sadece birkaç hafıza birimi ile her iki veri kümesini de %100 doğrulukta sınıflamayı başarmıştır.