Elipsoid tanıma çemberli bir yapay bağışıklık sistemi tasarımı ve sınıflama problemlerindeki performans analizi
| dc.contributor.advisor | Özşen, Seral | |
| dc.contributor.author | Yücelbaş, Cüneyt | |
| dc.date.accessioned | 2015-01-05T14:25:37Z | |
| dc.date.available | 2015-01-05T14:25:37Z | |
| dc.date.issued | 2012-08-28 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | 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 klonsal seçme tabanlı elipsoidal yapay bağışıklık sistemi olup sistemin gerçek problemlerdeki performansını görmek ve literatürde yer alan diğer sistemlerle karşılaştırmak için, UCI veri tabanından alınan Statlog Heart Disease, BUPA Liver Disorder ve Pima Diabetes veri kümeleri üzerinde uygulanmıştır. Sistem Statlog Heart Disease veri kümesi için ortalama % 84.61, BUPA Liver Disorder veri seti için ortalama % 85.45 ve Pima Diabetes veri kümesi için ortalama % 79.97’ lik sınıflama doğrulukları elde etmiştir. Geliştirilen ikinci sistem ise klonsal seçme tabanlı elipsoid şekilli katmanlı-YBS sistemi olup sistemin gerçek problemlerdeki performansını görmek için, yine aynı şekilde İris, BUPA Liver Disorder, Statlog Heart Disease ve Pima Diabetes veri kümeleri üzerinde uygulanmıştır. Sistem İris veri kümesi için ortalama % 98.26, BUPA Liver Disorder veri seti için ortalama % 65.22, Statlog Heart Disease veri kümesi için ortalama % 78.66 ve Pima Diabetes veri seti için ortalama % 72.25’ lik sınıflama doğrulukları elde edilmiştir. Geliştirilen bu sistem maksimum 200 saniyede eğitme işlemini tamamlamıştır. Yani çok kısa sürede sonuç alınabilmektedir. | en_US |
| dc.description.abstract | 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 ellipsoidal artificial immune system based on clonal selection. The system was applied on the Statlog Heart Disease, BUPA Liver Disorders and Pima Diabetes datasets taken from the UCI database to see the performance of the developed system in real problems and to compare with other systems in the literature. The system obtained a classification accuracy of average 84.61% for Statlog Heart Disease dataset, a classification accuracy of average 85.45% for BUPA Liver Disorders dataset and a classification accuracy of average 79.97% for Pima Diabetes dataset. The second of the developed systems is ellipsoid-shaped layer-AIS system based on clonal selection. In the same way, the system applied on the Iris, Statlog Heart Disease, BUPA Liver Disorders and Pima Diabetes datasets to see the performance of the developed system in real problems. The system obtained a classification accuracy of average 98.26% for Iris dataset, a classification accuracy of average 65.22% for BUPA Liver Disorders dataset, a classification accuracy of average 78.66% for Statlog Heart Disease dataset and a classification accuracy of average 72.25% for Pima Diabetes dataset. The training time of the developed system is completed maximum in 200 seconds. That is, the result can be taken in very short time. | en_US |
| dc.identifier.citation | Yücelbaş, C. (2012). Elipsoid tanıma çemberli bir yapay bağışıklık sistemi tasarımı ve sınıflama problemlerindeki performans analizi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/1259 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Elipsoid şekilli tanıma alanları | en_US |
| dc.subject | Örüntü tanıma | en_US |
| dc.subject | Sınıflama | en_US |
| dc.subject | Yapay bağışıklık | en_US |
| dc.subject | Artificial immune systems | en_US |
| dc.subject | Classification | en_US |
| dc.subject | Ellipsoid-shaped recognition areas | en_US |
| dc.subject | Pattern recognition | en_US |
| dc.title | Elipsoid tanıma çemberli bir yapay bağışıklık sistemi tasarımı ve sınıflama problemlerindeki performans analizi | en_US |
| dc.title.alternative | Design of an artificial immune system with ellipsoidal recognition balls and performance analysis of it in classification problems | en_US |
| dc.type | Master Thesis | en_US |
