Anfis İle İlgili Yapılmış Çalışmaların İçerik Analizi İle Değerlendirilmesi: Tr Dizin

Yıl 2021, Sayı: 32, 1086 - 1093, 31.12.2021

Mesut Polatgil

https://doi.org/10.31590/ejosat.1039699

Öz

Uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS), son yıllarda yapay zekâ çalışmaları kapsamında sıklıkla tercih edilen yöntemlerden birisidir. Birçok farklı alanda ve farklı türde verilerde başarılı sonuçlar vermesi ile de gün geçtikçe önem kazanmaktadır. Bu konuda yapılmış çalışmaların analiz edilerek genel bir değerlendirmesinin yapılması bir ihtiyaçtır. Bu araştırmanın amacı, TR Dizin kapsamında yer alan dergilerde yayınlanmış ANFIS ile ilgili yapılmış çalışmalarının analizini gerçekleştirmektir. Tr Dizin kapsamında taranan dergilerde yayınlanmış Anfis ile ilgili 102 çalışma analiz edilmiştir. Analizler Maxqda analiz programı ile gerçekleştirilmiştir. Çalışmalar tarih, veri normalizasyonu, verilerin eğitim test şeklinde bölünmesi, performans değerlendirmesi, karşılaştırılan yöntemler ve bir arada kullanılan yöntemler bakımından analiz edilmiştir. Analiz sonuçları Maxqda programı grafik ve görselleri ile desteklenerek verilmiştir. Çalışma sonucunda son yıllarda Tr Dizin kapsamında, Anfis ile ilgili çalışmaların sayısında artış olduğu fakat çalışmalarda veri normalizasyonu, verinin eğitim ve test için ayrılması ile performans ölçümünde kullanılan metrikler ile ilgili ciddi eksiklikler olduğu tespit edilmiştir. Çalışma sonuçlarının Anfis ile ilgili yapılacak çalışmalarda destekleyici bir rol oynayacağı düşünülmektedir.

Anahtar Kelimeler

Makine Öğrenmesi, Yapay Zekâ, Tr Dizin, Maxqda, Anfis.

Teşekkür

Kongre ve yayın süreci için teşekür ederiz

Evaluatıon Of The Studıes Related To Anfıs Wıth Content Analysıs: Tr Index

Öz

Adaptive neuro-fuzzy inference system (ANFIS) is one of the frequently preferred methods within the scope of artificial intelligence studies in recent years. It is gaining importance day by day with its successful results in many different fields and different types of data. It is a need to analyze and evaluate the studies on this subject. The purpose of this research is to analyze the studies on ANFIS published in journals covered by TR Index. 102 studies on Anfis published in journals scanned within the scope of Tr Index were analyzed. Analyzes were carried out with Maxqda analysis program. Studies were analyzed in terms of history, data normalization, division of data into training tests, performance evaluation, compared methods and methods used together. Analysis results are given with the support of Maxqda program graphics and visuals. As a result of the study, it has been determined that the number of studies related to Anfis has increased in recent years within the scope of Tr Index, but there are serious deficiencies in data normalization, separation of data for training and testing, and metrics used in performance measurement. It is thought that the results of the study will play a supportive role in the studies to be carried out on Anfis.

Anahtar Kelimeler

Machine Learning, Artificial Intelligence, Tr Index, Maxqda, Anfis.

Kaynakça

• Acar, R., ve Saplıoğlu, K. (2020). Akarsulardaki Sediment Taşınımının Yapay Sinir Ağları Ve Anfıs Yöntemleri Kullanılarak Tespiti. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(1), 437–450. https://doi.org/10.28948/ngumuh.681208
• Acı, Ç., Acı, M., ve Avcı, M. (2018). Performance Comparıson Of Anfıs, Ann, Svr, Cart And Mlr Technıques For Geometry Optımızatıon Of Carbon Nanotubes Usıng Castep. Turkish Journal of Engineering, 2(3), 119–124. https://doi.org/10.31127/tuje.408976
• Acı, Ç., ve Yılmaz, C. A. (2017). Maddi Hasarlı Trafik Kazaları İçin Sinirsel-Bulanık Ağ Tabanlı Bir Kusur Tespit Modeli. In Fırat Üniv. Müh. Bil. Dergisi Science and Eng. J of Fırat Univ (Vol. 29, Issue 2). https://dergipark.org.tr/tr/pub/fumbd/339605
• Altaher, A., ve Barukab, O. (2017). Android malware classification based on ANFIS with fuzzy c-means clustering using significant application permissions. Turkish Journal of Electrical Engineering and Computer Science, 25(3), 2232–2242. https://doi.org/10.3906/elk-1602-107
• Atlihan, M., Yalcin, B. C., ve Erkan, K. (2017). Force and torque parameter estimation for a 4-pole hybrid electromagnet by ANFIS hybrid learning algorithm. Turkish Journal of Electrical Engineering and Computer Sciences, 25(5), 3684–3698. https://doi.org/10.3906/elk-1605-364
• Calp, M. H. (2019). A Hybrid ANFIS-GA Approach for Estimation of Regional Rainfall Amount. Gazi University Journal Of Science, 32(1).
• Calvo-Flores, M. D., Galindo, E. G., Jiménez, M. C. P., ve Pérez, O. (2006). Predicting students’ marks from Moodle logs using neural network models. Proceedings of the IV International Conference on Multimedia and Information and Communication Technologies in Education (M-ICTEE2006), 1, 586–590.
• Canayaz, M. (2019). Training Anfis System with Moth-Flame Optimization Algorithm. International Journal of Intelligent Systems and Applications in Engineering, 7(3), 133–144. https://doi.org/10.18201/ijisae.2019355375
• Caner, M., Akarslan, E., ve Tarihi, G. (2009). Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 15(2), 221–226.
• Ceylan, Z., ve Bulkan, S. (2018). Estimation of Turkey’s Transportation Energy Demand by Hybrid ANFISPSO. Afyon Kocatepe University Journal of Sciences and Engineering, 18(2), 740–750. https://doi.org/10.5578/fmbd.67331
• Çoban, S., ve Bilgiç, H. H. (2019). Different Autopilot Systems Design For a Small Fixed Wing Unmanned Aerial Vehicle. European Journal of Science and Technology, 17, 682–691. https://doi.org/10.31590/ejosat.639309
• Dalkilic, T. E., ve Apaydin, A. (2009). A fuzzy adaptive network approach to parameter estimation in cases where independent variables come from an exponential distribution. Journal of Computational and Applied Mathematics, 233(1), 36–45. https://doi.org/10.1016/j.cam.2008.07.057
• Deveci, M., ve Koç, E. S. (2020). Öğrenme Güçlüğü Konusunda Yayınlanmış Makalelerin Karşılaştırmalı Olarak İncelenmesi, WOS ve TR Dizin Örneği. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 9(5), 4088–4120. https://doi.org/10.15869/itobiad.774509
• Dokur, E., Yüzgeç, U., ve Kurban, M. (2019). Diferansiyel Gelişim Algoritma Tabanlı Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi ile Kısa Dönem Rüzgâr Hızı Kestirimi. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 8(3), 1057–1068. https://doi.org/10.17798/bitlisfen.534246
• Efendi̇gi̇l, T., ve Emin Eminler, Ö. (2017). Havacılık Sektöründe Talep Tahminin Önemi: Yolcu Talebi Üzerine Bir Tahmin Modeli. Journal of Yaşar University, 12(48), 14–30. https://doi.org/10.19168/jyu.31243
• Erten, K. M., Terzi, S., Akbulut, H., ve Erişkin, E. (2020). ANFIS ve Bulanık Mantık Yöntemlerinin Köpük Bitümün Genleşme Oranı ve Yarılanma Süresi Parametreleri Tahmininde Kullanılabilirliğinin Araştırılması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 8(4), 2388–2399. https://doi.org/10.29130/dubited.686047
• Gholami, H., Mohamadifar, A., Sorooshian, A., ve Jansen, J. D. (2020). Machine-learning algorithms for predicting land susceptibility to dust emissions: The case of the Jazmurian Basin, Iran. Atmospheric Pollution Research, 11(8), 1303–1315. https://doi.org/10.1016/j.apr.2020.05.009
• Gökler, S. H., ve Boran, S. (2020). PCA Esaslı Hibrit ANFIS-Taguchi Yöntemi ile Kan Bankası için Talep Tahmini. Bilişim Teknolojileri Dergisi, 13(3), 225–233. https://doi.org/10.17671/gazibtd.580530
• Göktepe, A. B., Ağar, E., ve Lav, A. H. (2005). Comparison of multilayer perceptron and adaptive neuro-fuzzy system on backcalculating the mechanical properties of flexible pavements. ARI The Bulletin of the Istanbul Technical University, 54(3), 65–77.
• Görgel, P., Sertbas, A., ve Turusbekova, A. (2013). Classification of breast masses using anfis-based fuzzy algorithms: A comparative study. Istanbul University - Journal of Electrical and Electronics Engineering, 13(1), 1605–1611.
• Güngör, O., ve Özdemir, A. (2018). Güneş Panellerinde IC Ve ANFIS Tabanlı MPPT Algoritmalarının Karşılaştırmalı Performans Analizi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 34(2), 50–59.
• Havangi, R., Nekoui, M. A., ve Teshnehlab, M. (2012). An improved FastSLAM framework using soft computing. Turkish Journal of Electrical Engineering and Computer Sciences, 20(1), 25–46. https://doi.org/10.3906/elk-1004-504
• Haznedar, B., Arslan, M. T., ve Kalınlı, A. (2016). Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS ’ in eğitilmesi Training ANFIS structure using genetic algorithm for liver cancer classification based on microarray gene expression data. SAÜ Fen Bilimleri Enstitüsü Dergisi, 21(1), 54–62. https://doi.org/10.16984/saufenbilder.41925
• Haznedar, B., ve Kalınlı, A. (2016). Trombofili Hastalığı İle Genetik Bozukluklar Arasındaki İlişkinin Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (Anfis) İle Tespit Edilmesi. SAÜ Fen Bilimleri Enstitüsü Dergisi, 20(1), 13. https://doi.org/10.16984/saufenbilder.40786
• Karaboǧa, D., ve Kaya, E. (2017). Training ANFIS by using the artificial bee colony algorithm. Turkish Journal of Electrical Engineering and Computer Sciences, 25(3), 1669–1679. https://doi.org/10.3906/elk-1601-240
• Kayabaşi, A., ve Akdaǧli, A. (2016). Oyuk yüklü kompakt mikroşerit antenlerin rezonans frekansinin hesaplanmasinda ysa ve bmsdua yöntemlerinin kullanimi. Journal of the Faculty of Engineering and Architecture of Gazi University, 31(1), 105–117. https://doi.org/10.17341/gummfd.71495
• Kaynak, S., Kaynak, B., ve Evirgen, H. (2018). Student Consultancy Service: Prediction of Course Grades in Course Selection Phases Using Artificial Intelligence Techniques. Journal of Computer and Education Research, 6(12), 142–162. https://doi.org/10.18009/jcer.421123
• Keçecioğlu, Ö. F., ve Kılıç, E. (2019). Tristör Kontrollü Reaktörün Sinirsel Bulanık Denetim Esaslı Reaktif Güç Kontrolü. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 7(2), 399–410. https://doi.org/10.29109/gujsc.530219
• Küçükerdem, T. S., Kilit, M., ve Saplioglu, K. (2019). Determination of the number of clusters used in fuzzy inference systems by means of K-means and modeling of dam volume: Kestel dam example. Pamukkale University Journal of Engineering Sciences, 25(8), 962–967. https://doi.org/10.5505/pajes.2019.99223
• Miloudi, A., Al-Radadi, E. A., ve Draou, A. D. (2007). A variable gain PI controller used for speed control of a direct torque neuro fuzzy controlled induction machine drive. Turkish Journal of Electrical Engineering and Computer Sciences, 15(1), 37–49.
• Moazami, S., Noori, R., Amiri, B. J., Yeganeh, B., Partani, S., ve Safavi, S. (2016). Reliable prediction of carbon monoxide using developed support vector machine. Atmospheric Pollution Research, 7(3), 412–418. https://doi.org/10.1016/j.apr.2015.10.022
• Niaki, S. T. A., ve Hoseinzade, S. (2013). Forecasting SveP 500 index using artificial neural networks and design of experiments. Journal of Industrial Engineering International, 9(1). https://doi.org/10.1186/2251-712X-9-1
• Oğuz, Y., ve Güney, I. (2010). Adaptive neuro-fuzzy inference system to improve the power quality of variable-speed wind power generation system. Turkish Journal of Electrical Engineering and Computer Sciences, 18(4), 625–645.
• Ortatepe, Z., ve Parlaktuna, O. (2017). Two Dof Robot Control Wıth Fuzzy Based Neural Networks. ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY A - Applied Sciences and Engineering, 18(4), 819–830. https://doi.org/10.18038/aubtda.340002
• Özer, Z., ve Demirbatır, R. E. (2021). Müzik Eğitimi İle İlgili Tr Dizin Veri Tabanında Yayınlanan Araştırmaların Eğilimlerinin Belirlenmesi. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi, 21(1), 282–304. https://doi.org/10.17240/aibuefd.2021.21.60703-796990
• Polatgil, M. (2020). Anfis ve Bulanık K Ortalamalar İle Kalp Hastalığının Tespit edilmesi. Bilişim Teknolojileri Dergisi, 13(4), 443–449. https://doi.org/10.17671/gazibtd.731678
• Roger Jang, J. S., ve Sun, C. T. (1993). Functional Equivalence Between Radial Basis Function Networks and Fuzzy Inference Systems. IEEE Transactions on Neural Networks, 4(1), 156–159. https://doi.org/10.1109/72.182710
• Saltan, M., ve Alaefary, F. (2018). ANFIS YÖNTEMİNİN ESNEK YOL ÜSTYAPILARININ YAPISAL ANALİZİNDE KULLANILABİLİRLİĞİ. Mühendislik Bilimleri ve Tasarım Dergisi, 6(3), 32–41. https://doi.org/10.21923/jesd.313427
• Şengöz, N., ve Özdemir, G. (2016). Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(1), 125. https://doi.org/10.19113/sdufbed.15545
• Şit, S., Özçalık, H. R., Kılıç, E., Doğmuş, O., ve Altun, M. (2016). Asenkron Motorların Online Adaptif Sinirsel-Bulanık Denetim (ANFIS) Sistemine Dayalı Hız Denetim Performansının İncelenmesi. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31(ÖS2), 33–42. https://doi.org/10.21605/cukurovaummfd.315861
• Sönmez, A. Y., Kale, S., Özdemir, R. C., ve Kadak, A. E. (2018). An adaptive neuro-fuzzy inference system (ANFIS) to predict of cadmium (Cd) concentrations in the filyos river, Turkey. Turkish Journal of Fisheries and Aquatic Sciences, 18(12), 1333–1343. https://doi.org/10.4194/1303-2712-v18_12_01
• Söyler, H., ve Kızılkaya, O. (2018). Para Krizlerinin Yapay Zeka Yöntemleri İle Tahmini: Türkiye Örneği. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 16–17. https://doi.org/10.18092/ulikidince.347202
• Taylan, D. (2018). Dalgacık-Adaptıf Ağ Temellı Bulanık Çıkarım Sıstemlerı Ile Dalaman Çayı Akımlarının Modellenmesi Üzerine Bir Çalışma. Mühendislik Bilimleri ve Tasarım Dergisi, 6(1), 56–63. https://doi.org/10.21923/jesd.380158
• Toylan, H., ve Hüner, E. (2017). Uyarlamalı Sinirsel Bulanık Çıkarım (ANFIS) Tabanlı Güneş Takip Sistemi. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 17(2), 25202–25546. https://doi.org/10.5578/fmbd.60776
• Ünal, A., Aydın, M. M., ve Saplıoğlu, M. (2018). Türk Sürücülerinin Facebook Sosyal Paylaşım Sitesini Trafik Bilgilendirme Ve Radar Yeri Tespiti Amacıyla Kullanımı Üzerine Bir Araştırma. Mühendislik Bilimleri ve Tasarım Dergisi, 6(2), 354–364. https://doi.org/10.21923/jesd.412215
• Yang, J. G., Kim, J. K., Kang, U. G., ve Lee, Y. H. (2014). Coronary heart disease optimization system on adaptive-network-based fuzzy inference system and linear discriminant analysis (ANFIS-LDA). Personal and Ubiquitous Computing, 18(6), 1351–1362. https://doi.org/10.1007/s00779-013-0737-0
• Yılmaz, A., Kaya, U., ve Şaykol, E. (2020). An ANFIS Based Vehicle Sales Forecasting Model Utilizing Feature Clustering and Genetic Algorithms. Havacılık ve Uzay Teknolojileri Dergisi, 13(1), 139–154.
• Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X
• Ziasabounchi, N., ve Askerzade, I. (2014). ANFIS Based Classification Model for Heart Disease Prediction. International Journal of Engineering, 14(02), 7.