Biyomedikal sınıflama problemleri için problem-tabanlı bir yapay bağışıklık sisteminin geliştirilmesi ve biyomedikal sınıflama problemlerine uygulanması
Yükleniyor...
Dosyalar
Tarih
2008
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada mühendislik ve diğer uygulama alanlarında karşılaşılan karmaşık problemlerin çözümü için iki Yapay Zeka sistemi geliştirilmiştir. Yapay Zeka sistemlerinin bir alt dalı olan Yapay Bağışıklık Sistemleri (YBS) alanında geliştirilmiş olan sistemler, doğrusal olmayan problemlerin çözümünde kullanılmak üzere tasarlanmıştır. YBS alanında doğrusal olmayan problemlerin çözümünde kullanılan karmaşık sistemlerin var olmayışı, YBS sistemlerinin çoğu alanda iyi bilinen çözüm teknikleri arasında yer almasına engel olmuştur. Bu çalışmada tasarlanan sistemler ile iki farklı şekilde doğrusal olmayan sistem tasarımı gerçekleştirilerek YBS alanındaki bu eksikliğin giderilmesi hedeflenmiştir. Geliştirilen ilk sistem Kernel_YBS sistemidir ve bu sisteme, klasik YBS sistemlerindeki uzaklık hesaplamalarının Kernel uzayına taşınması ile doğrusal olmayan bir yapı kazandırılmıştır. Sistem parametrelerinin performans üzerindeki etkileri Two-Spirals ve Chainlink veri kümeleri kullanılarak detaylı bir şekilde incelenmiştir. Bunun yanında, gerek sistemin gerçek problemlerdeki performansını görmek, gerekse sistemi literatürde yer alan diğer sistemlerle karşılaştırmak için, Doppler veri kümesi ile UCI veri tabanından alınan İris ve Statlog Heart Disease veri kümeleri üzerinde uygulamar yapılmıştır. Sistem İris veri kümesi için %98.66'lık bir sınıflama doğruluğu elde ederken, Statlog Heart Disease veri kümesi için %85.93'lük bir sınıflama başarısına ulaşmıştır. Sistem, 61 veriye sahip Doppler örneklerini ise sadece iki hafıza hücresi ile %99.09 sınıflama doğrulunda sınıflamayı başarmıştır. Elde edilen bu sonuçlar ile Kernel_YBS sitemi, söz konusu veri kümeleri için literatürde performansı en yüksek sistemler arasında yerini almıştır. Yapı olarak gerçekleştirilen ikinci sistem olan YBS_Yanıtı sistemi, bağışıklık sistemindeki tanıma mekanizmasını farklı bir şekilde modellemiş ve böylece doğrusal olmayan bir yapıya sahip olmuştur. Yine sistemin parametre analizleri Two-Spirals ve Chainlink veri kümeleri üzerinde gerçekleştirilmiş ve parametrelerin seçiminde dikkat edilmesi gereken hususlar vurgulanmıştır. Sistemin performansını gerçek problemlerde incelemek amacıyla yine İris veri kümesi ve Statlog Heart Disease veri kümesi kullanılmıştır. İris veri kümesinde %99.33 sınıflama doğruluğu elde eden sistem, Statlog veri kümesinde %90.37'lik bir doğruluk ile litaratürdeki diğer yöntemlere sınıflama doğruluğu bakımından büyük bir performans farkı sağlamıştır.
In this study, two Artificial Intelligence system were developed for the solution of complex problems in the engineering and other application areas. The systems developed in the Artificial Immune Systems (AIS) field which is a sub-branch of Artificial Intelligence, were designed to be used in nonlinear problems. The non-existence of complex systems in AIS that solve nonlinear problems has prevented AIS systems from being among the well-known solutions in most fields. The systems designed in this study aimed to compansate this deficiency by providing a nonlinear structure in two different ways. The first of the developed systems is Kernel_YBS and a nonlinear AIS design was realized in this system by transfering distance calculations in the clonal selection models of classical AIS systems to Kernel space. The effects of system parameters on performance were investigated in detail by using Two-Spirals and Chainlink datasets. Besides, applications were conducted on Iris dataset and Statlog Heart Disease Dataset taken from the UCI database and on Doppler sonograms dataset to see the performance of the system on real-world problems in addition to compare the system with other methods in literature. The system obtained a classification accuracy of 98.66% for Iris dataset while it achieved a 85.93% classification success for Statlog Heart Disease dataset. The system succeded to classify Doppler data having 61 data points with a classification accuracy of 99.09% by using only two memory cell. With these results, Kernel_YBS System has taken its place among the systems in literature with highest performances for related datasets. The second system, named as YBS_Yanıtı, has a nonlinear structure by modelling the recognition mechanism different from the developed AIS systems so far as a more proper reflection of the recognition in immune system. Again, the parameter analyses of the system were conducted on Two-spirals and Chainlink datasets and the important points in parameter selection were emphasized. To investigate the performance of the system on real-world problems, Iris dataset and Statlog Heart Disease dataset were used again. The system, which obtained a 99.33% classification accuracy on Iris dataset, has shown an important performance superiority with regard to the classifification accuracy to other methods in literature by reaching 90.37% classification accuracy for the Statlog Heart Disease dataset.
In this study, two Artificial Intelligence system were developed for the solution of complex problems in the engineering and other application areas. The systems developed in the Artificial Immune Systems (AIS) field which is a sub-branch of Artificial Intelligence, were designed to be used in nonlinear problems. The non-existence of complex systems in AIS that solve nonlinear problems has prevented AIS systems from being among the well-known solutions in most fields. The systems designed in this study aimed to compansate this deficiency by providing a nonlinear structure in two different ways. The first of the developed systems is Kernel_YBS and a nonlinear AIS design was realized in this system by transfering distance calculations in the clonal selection models of classical AIS systems to Kernel space. The effects of system parameters on performance were investigated in detail by using Two-Spirals and Chainlink datasets. Besides, applications were conducted on Iris dataset and Statlog Heart Disease Dataset taken from the UCI database and on Doppler sonograms dataset to see the performance of the system on real-world problems in addition to compare the system with other methods in literature. The system obtained a classification accuracy of 98.66% for Iris dataset while it achieved a 85.93% classification success for Statlog Heart Disease dataset. The system succeded to classify Doppler data having 61 data points with a classification accuracy of 99.09% by using only two memory cell. With these results, Kernel_YBS System has taken its place among the systems in literature with highest performances for related datasets. The second system, named as YBS_Yanıtı, has a nonlinear structure by modelling the recognition mechanism different from the developed AIS systems so far as a more proper reflection of the recognition in immune system. Again, the parameter analyses of the system were conducted on Two-spirals and Chainlink datasets and the important points in parameter selection were emphasized. To investigate the performance of the system on real-world problems, Iris dataset and Statlog Heart Disease dataset were used again. The system, which obtained a 99.33% classification accuracy on Iris dataset, has shown an important performance superiority with regard to the classifification accuracy to other methods in literature by reaching 90.37% classification accuracy for the Statlog Heart Disease dataset.
Açıklama
Anahtar Kelimeler
Yapay bağışıklık sistemleri, Sınıflandırma, Örüntü tanıma, Yapay sinir ağları, Artificial immune systems, Classification, Pattern recognition, Artificial neural networks
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Özşen, S. (2008). Biyomedikal sınıflama problemleri için problem-tabanlı bir yapay bağışıklık sisteminin geliştirilmesi ve biyomedikal sınıflama problemlerine uygulanması. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya.
