SavedAdd your journal

Journals / Cumhuriyet Science Journal / 2017 / Cilt: 38 - Sayı: 4

Comparison of the Effects of Different Dimensional Reduction Algorithms on the Training Performance of Anfis (Adaptive Neuro-Fuzzy Inference

Farklı Boyut İndirgeme Yöntemlerinin, Anfis Modelinin Eğitim Performansı Üzerindeki Etkilerinin Karşılaştırılması

Halil ARSLAN
Oğuz KAYNAR
Ahmet Gürkan YUKSEK
Abdülkadir SEKER
Emre DELIBAS
Pages
716–730
Publication Date
2022-10-12
DOI
—
🏛️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)

In this study, we compared the results produced by different dimension reduction methods and investigated which method is more acceptable for ANFIS training

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Adaptive Neuro-Fuzzy Inference Systems (ANFIS) is a hybrid artificial neural network (intelligence) approach that utilizes the ability of artificial neural networks to learn, generalize, paralyze and to derive fuzzy logic.
📊
Key Findings & Data:The development of models with large numbers of input variables with ANFIS is not very convenient for applications.
💡
Conclusion & Impact:In this study, we compared the results produced by different dimension reduction methods and investigated which method is more acceptable for ANFIS training
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

Adaptive Neuro-Fuzzy Inference Systems (ANFIS) is a hybrid artificial neural network (intelligence) approach that utilizes the ability of artificial neural networks to learn, generalize, paralyze and to derive fuzzy logic. The development of models with large numbers of input variables with ANFIS is not very convenient for applications. Dimension reduction methods are proposed as a solution to this problem. Dimensional Reduction is the method used to represent the data in a lower dimensional space. The reduction of the numbers of the input variables using different size reduction methods and the creation of the optimal solution of the probing with the ANFIS model constitute the framework of this work. In this study, we compared the results produced by different dimension reduction methods and investigated which method is more acceptable for ANFIS training

Özet

Uyarlamalı Sinirsel Bulanık Çıkarım Sistemleri-ANFIS (Adaptive Neuro-Fuzzy Inference SystemsANFIS), yapay sinir ağları modellerinin öğrenebilme, genelleme ve paralel hesap yapabilme yetenekleri ile bulanık mantığın çıkarsama yeteneğini kullanan hibrit bir yapay sinir ağı (zekâ) yaklaşımıdır. Giriş değişkenlerinin sayıları fazla olan modellerin ANFIS ile geliştirilmesi uygulamalarda çok elverişli değildir. Boyut indirgeme yöntemleri ise bu soruna bir çözüm yolu olarak önerilmektedir. Boyut indirgeme, verilerin daha düşük boyutlu bir uzayda temsil edilmesi için kullanılan yöntemdir. Farklı boyut indirgeme yöntemleri kullanılarak giriş değişkenlerinin sayılarının indirgenmesi ve ANFIS modeli ile probleme ait en uygun çözümün oluşturulması bu çalışmanın çatısını oluşturmaktadır. Bu çalışmada, farklı boyut indirgeme yöntemlerinin ürettiği sonuçlar karşılaştırılarak ANFIS'in eğitimi için hangi yöntemin kullanılmasının daha kabul edilebilir olduğu araştırılmıştır

🔖

Cite This Article

ARSLAN, H., KAYNAR, O., YUKSEK, A. G., SEKER, A., DELIBAS, E. (2022). Comparison of the Effects of Different Dimensional Reduction Algorithms on the Training Performance of Anfis (Adaptive Neuro-Fuzzy Inference. Cumhuriyet Science Journal, Cilt: 38 - Sayı: 4, 716–730. https://ajindex.com/articles/478032

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (1)

  1. . Houari R., Bounceur A.,. Kechadi M-T., A.- Tari K., ve Euler R., “Dimensionality reduction in data mining: A Copula approach”, Expert Syst. Appl., v. 64, pp. 247–260, 2016. [2]. Burges C. J. C., “Dimension Reduction: A Guided Tour”, Found. Trends® Mach. Learn., v. 2, 4, pp. 275–365, Ağu. 2010. [3]. Tzeng D.-Y. ve. Berns R. S., “A review of principal component analysis and its applications to color technology”, Color Res. Appl., v. 30, 2, pp. 84-98, Nis. 2005. [4]. Sorzano C. O. S., Vargas J., ve Montano A. P., “A survey of dimensionality reduction techniques”, ArXiv14032877 Cs Q-Bio Stat, 2014. [5]. Van Der Maaten L., Postma E., ve Van den Herik J., “Dimensionality reduction: a comparative”, J Mach Learn Res, v. 10, pp. 66-71, 2009. [6]. Ali Godshi, “Dimensionality Reduction A Short Tutorial”, 2006. [Online]. Available at: http://www.stat.washington.edu/courses/stat 539/spring14/Resources/tutorial_nonlindim-red.pdf. [Retrieved: 12-Feb-2017]. [7]. Jang J. S. R., “ANFIS: adaptive-networkbased fuzzy inference system”, IEEE Trans. Syst. Man Cybern., v. 23, 3, pp. 665-685, 1993. [8]. Cybenko G., “Approximation by superpositions of a sigmoidal function”, Math. Control Signals Syst., v. 2, 4, pp. 303- 314, 1989. [9]. Hornik K., Stinchcombe M., ve White H., “Multilayer feedforward networks are universal approximators”, Neural Netw., v. 2, 5, pp. 359-366, 1989. [10]. Hornik K., “Approximation capabilities of multilayer feedforward networks”, Neural Netw., v. 4, 2, pp. 251–257, 1991. [11]. Jang J. S. R., Sun C. T., ve Mizutani E., “Neuro-fuzzy and soft computing, a computational approach to learning and machine intelligence”, MyScienceWork, 1997. [12]. Wark K., ve Warner C. F., “Air pollution: its origin and control”, 1981. [13]. Prasad K., Gorai A. K., ve Goyal P., “Development of ANFIS models for air quality forecasting and input optimization for reducing the computational cost and time”, Atmos. Environ., v. 128, pp. 246–262, 2016. [14]. Khoshnevisan B., Rafiee S., Omid M., ve Mousazadeh H., “Development of an intelligent system based on ANFIS for predicting wheat grain yield on the basis of energy inputs”, Inf. Procepp. Agric., v. 1, sayı 1, pp. 14-22, 2014. [15]. Yuksek A. G., Karaboga D.,“Hava kirliliği tahmininde çoklu regresyon analizi ve yapay sinir ağları yönteminin karşılaştırılması - Sayfa 264 - Ulusal Tez ve Araştırma Merkezi - Akademik Tezler ve Araştırmalar”. [Online]. Available at: http://ulusaltezmerkezi.com/hava-kirliligitahmininde-coklu-regres