SavedAdd your journal

Journals / Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 21 Sayı: 1

Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı

Nilgün Şengöz
Gültekin Özdemir
Pages
125–130
Publication Date
2017-04-15
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

İşlem zamanı bakımından ANFIS 85.271 saniye ile BKSA metoduna göre çok hantal kalmaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yapılan bu çalışmada, sınıflandırma problemleri üzerinde durulmuştur.
📊
Key Findings & Data:Bu çalışma farklı yapıda olan 3 adet veri kümesinin (Tohum, Arazi Uydu Görüntüleme ve Kırmızı Şarap Kalite Değerlendirme) incelenmesi ve aynı algoritmaların bu verilere uygulanması itibariyle hem başarı performansı olarak hem de zaman bakımından aralarındaki ilişkiyi gözler önüne sermektedir.
💡
Conclusion & Impact:İşlem zamanı bakımından ANFIS 85.271 saniye ile BKSA metoduna göre çok hantal kalmaktadır.
🔬Design:Modeling & Simulation
📍Scope:3 adet
⚙️Variables:Yapay zeka · Yapay sinir ağları · ANFIS

Özet

Yapılan bu çalışmada, sınıflandırma problemleri üzerinde durulmuştur. Bu çalışma farklı yapıda olan 3 adet veri kümesinin (Tohum, Arazi Uydu Görüntüleme ve Kırmızı Şarap Kalite Değerlendirme) incelenmesi ve aynı algoritmaların bu verilere uygulanması itibariyle hem başarı performansı olarak hem de zaman bakımından aralarındaki ilişkiyi gözler önüne sermektedir. Tohum verisi için yapılan karşılaştırmada Uyarlamalı ağ tabanlı bulanık çıkarım sistemi (Adaptive-Network Based Fuzzy Inference Systems-ANFIS) ile Basamak Korelasyon Sinir Ağı BKSA (Cascade Correlation Neural Network-CCNN) test performans yüzdeleri %86.41 ve %88.06 olup, işlem zamanı yönünden bakıldığında ise BKSA 0.59 saniye gibi kısa bir süre içerisinde sınıflandırma yapmıştır. Arazi Uydu Görüntüleme veri kümesinde ise test performans yüzdeleri ANFIS de %100, BKSA da ise %99.92 olmaktadır. Verinin algoritma içerisinde yaptığı işlem süreleri ise ANFIS 800 saniye, BKSA 72 saniyede tüm sınıflandırma işlemini tamamlamıştır. Son veri kümemiz ise Kırmızı Şarap Kalite değerlendirmedir ve test performans olarak bakıldığında ANFIS %99.975, BKSA ise %99.862 gibi birbirleri arasında çokta anlamlı bir fark oluşturmadığı açıkça görünmektedir. İşlem zamanı bakımından ANFIS 85.271 saniye ile BKSA metoduna göre çok hantal kalmaktadır.

🔖

Cite This Article

Şengöz, N., Özdemir, G. (2017). Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 21 Sayı: 1, 125–130. https://doi.org/10.19113/sdufbed.15545

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Fahlman, S.E., Lebiere, C., 1991. The Cascade-Correlation Learning Architecture; Report CMU-CS-90-100; Carnegie Mellon University: Pittsburgh, PA, USA, s. 1-13
  2. Augusteijn, M.F., Clemens, L.E., 1994, A performance evaluation of texture measures for image classification and segmentation using cascadecorrelation architecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300–4305
  3. McKenna, S.J., 1991 A Comparison of Neural Network Architectures for Cervical Cell Classification, IEEE, s. 105-109
  4. Augusteijn, M., Skujca, T., 1993, Identification of human faces through texture-based feature recognition and neural network technology, In Proceedings of the IEEE International Conference on Conf. Neural Networks, s. 392–398
  5. Burke HB, Goodman PH, Rosen DB, vd., 1997, Artificial neural networks improve the accuracy of cancer survival prediction., Cancer, s. 857–862
  6. Prampero, P., Carvalho, A., 1999, Classifier Combination for Vehicle Silhouettes Recognition, Seventh International Conference on Image Processing and its Applications, IPA’99, s. 67-71
  7. Jang, J.S.R, Sun, C.T., Mizutani, E., 1997, Neuro-fuzzy and soft computing, Prentice Hall, Upper Saddle River
  8. Şenol, C., Yildirim T., 2009, Thyroid and Breast Cancer Disease Diagnosis using FuzzyNeural Networks, 6th International Conference on Electrical and Electronics Engineering (ELECO’2009)
  9. Sharma, M., Mukharjee, S., 2013, Brain Tumor Segmentation Using Genetic Algorithm and Artificial Neural Network Fuzzy Inference System (ANFIS), Advances in Computing and Information, Springer - Verlag Berlin Heidelberg, s. 329–339
  10. Ziasabounchi N., Askerzade I., 2014, ANFIS Based Classification Model for Heart Disease Prediction, Intenational Journal of Electrical and Computer Sciences. IJECS-Ijens
  11. Ankışhan, H. ve Yılmaz, D., 2013, Comparison of SVM and ANFIS for snore related sounds classification by using the largest Lyapunov exponent and entropy, Computational and Mathematical Methods in Medicine
  12. Rumelhart, D. E., Hinton, G. E., Williams, R. J. 1986, Learning Internal Representations by Error Propagation, Rumelhart, D. E. ve McClelland, J. L.JParallel Distributed Processing: Explorations in the Microstructure of Cognition, MIT Press
  13. Schmitz, A., Courouble, F., Hefazi, H., Besnard, E., 2010, Modified Cascade Correlation Neural Network and its Applications to Multidisciplinary Analysis Design and Optimization in Ship Design, Machine Learning
  14. Augusteijn, M.F., Clemens, L.E., 1994, A performance evaluation of texture measures for image classification and segmentation using cascadecorrelation architecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300–4305
  15. McKenna, S.J., 1991 A Comparison of Neural Network Architectures for Cervical Cell Classification, IEEE, s. 105-109