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

Abstract

Uyarlamalı Sinirsel Bulanık Çıkarım Sistemleri-ANFIS (Adaptive Neuro-Fuzzy Inference Systems- ANFIS), 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

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