VERİ BİLİMİ DERGİSİ

Ver Blm Derg, 1(1), 36-44, 018 VERİ BİLİMİ DERGİSİ www.dergpark.gov.tr/ver Sezgsel Yöntemler le Eğtlmş Uyarlamalı Snrsel Bulanık Mantık Sstemlernn Sınıflandırma Problemlerne Etks 1 Murat CANAYAZ 1 *, Fath ULUDAĞ 11Van Yüzüncü Yıl Ünverstes, Mühendslk Fakültes, Blgsayar Mühendslğ Bölümü, Van Van Yüzüncü Yıl Ünverstes, İktsad ve İdar Blmler Fakültes, Ekonometr Bölümü, Van Özet Makale Blgs Başvuru: 7/11/018 Kabul: 4/1/018 ANFIS yapay snr ağı ve bulanık mantık sstemlernn kombnasyonu olan br karar verme mekanzmasıdır. Kural tabanlı olan bu sstemde grş değerler ANFIS ın katmanlı yapısından geçerek br çıkış değer üretlr. Sınıflandırma, tahmnleme, dnamk sstem kmlklendrme gb brçok alanda kullanılan bu yapıda kullanılan parametre değerler son yıllarda sezgsel yöntemler le bulunmaya çalışılmaktadır. Sezgsel yöntemler sürü tabanlı, fzk tabanlı, kmya tabanlı gb brçok kategorye ayrılan optmum aday çözümler bulmayı amaçlayan yöntemlerdr. Bu çalışmada da sezgsel yöntemlerden olan Cırcır Böceğ algortması, Kaotk hartalı Cırcır Böceğ algortması ve Balna Optmzasyon Algortması le eğtlen ANFIS n sınıflandırma problemler üzerndek etks karşılaştırılmalı olarak gösterlmeye çalışılmaktadır. Blndk ver setler üzernde yapılan çalışmalarda eğtlen ağın doğruluk oranlarında artış sağladığı görülmektedr. Çalışmanın dğer öneml br yanı se Kaotk hartalı Cırcır Böceğ algortmasının ANFIS eğtmnde lk defa kullanılıyor olmasıdır. Bu sayede araştırmacılara br fkr vereceğ ön görülmektedr. Anahtar Kelmeler: Sezgsel Yöntemler, ANFIS, Kaotk hartalı Cırcır Böceğ Algortması Effects of Adaptve Neuro-Fuzzy Logc Systems Traned wth Heurstc Methods to Classfcaton Problems Abstract ANFIS s a decson-makng mechansm that s a combnaton of artfcal neural networks and fuzzy logc problems. In ths rule-based system, nputs are passed through the ANFIS layered structure and an output value s generated. Ths structure s used n many areas such as classfcaton, estmaton, dynamc system dentfcaton n recent years. Parameters determned by heurstc methods as usual. Heurstc methods are dvded nto many categores such as swarm-based, physcs-based and chemstry based and am to fnd optmum canddate solutons. In ths study, we tred to comparatvely show that the effect on classfcaton problems of ANFIS traned wth Crcket Algorthm wth Chaos Map, and The Whale Optmzaton Algorthm whch are heurstc methods. It s seen that the studes performed on the known datasets provde an ncrease n the accuracy of the traned network. Another mportant aspect of the work s that the Crcket Algorthm wth Chaos Map s beng used for the frst tme n ANFIS tranng. It s antcpated that ths wll gve the researchers an dea. Keywords: Heurstc Methods, ANFIS, Crcket Algorthm wth Caos Map 1 * İletşm e-posta: muratcanayaz@gmal.com 36

Ver Blm Derg, 1(1), 36-44, 018 1 Grş Sınıflandırma problemler ver blmnde çözülmes gereken başlıca problemler arasında yer almaktadır. Sınıf etketler le verlen ver setler sınıflandırma algortmaları kullanılarak karar destek mekanzmaları oluşturmak çn kullanılmaktadır. Sınıflandırmadak amaç brbrne yakın özellkler taşıyan very ayırmak ve bu sayede modeller ortaya çıkarmaktır. Gelştrlen modeller aracılığıyla daha sonra verlecek vernn hang grupta yer alacağı belrlenmekte ve bu sayede brçok problemn çözülmes sağlanmaktadır. Destek Vektör Maknaları, Lojstk Regresyon, Navee Bayes gb brçok sınıflandırma algortması mevcuttur. Bu algortmaların yanında Eğtlmş Uyarlamalı Snrsel Bulanık Mantık Sstemler (ANFIS) sınıflandırma problemlernde kullanılmaktadır. ANFIS yapay snr ağı ve bulanık mantık sstemlernn kombnasyonlarını çeren özel br ağ olarak lteratürde yer almaktadır. 5 katmanlı br yapıya sahp olan bu ağlar tahmnleme, sınıflandırma gb brçok alanda kullanılmaktadır. Bu ağların performansını gelştrmek çn son yıllarda sezgsel yöntemler le yen yaklaşımlar denenmektedr [1-3]. Bu ağlardak parametreler sezgsel yöntemlerden elde edlmekte ve ağın eğtm gerçekleştrlmektedr. Sezgsel yöntemler matematksel yöntemlern yanında optmzasyon problemlerndek optmum çözümler elde etmek çn kullanılan yaklaşımlar olarak karşımıza çıkmaktadır. Sürü, kmya, fzk, spor tabanlı kategorlere ayrılan bu yöntemlerde aday çözümler vasıtasıyla global optmuma ulaşılmaya çalışılmaktadır. Bu çalışmada yer alan Cırcır Böceğ Algortması (CBA) güncel meta sezgsel algortmalardandır[4-6]. Doğadak cırcır böceklernn hareketnden esnlenlerek modellenmş bu algortma ANFIS eğtmnde lk defa kullanılacaktır. Algortmanın gelştrlmş versyonu olan Kaotk Hartalı CBA da yne lk defa bu çalışmada ANFIS eğtmnde kullanılarak sınıflandırma problemlerne etks gösterlmeye çalışılmıştır. Yne güncel sezgsel yöntemlerden Balna Optmzasyon Algortmasından(BOA)[7-9] elde edlen sonuçlar CBA le karşılaştırılmalı olarak verlmştr. Bu çalışma şu şeklde organze edlmştr: İknc bölümde çalışmada kullanılan CBA ve KCBA tanıtılmıştır. Üçüncü ve dördüncü bölümde sırasıyla ANFIS ve sınıflandırma problemlernde kullanılacak ver setler tanıtılmıştır. Son bölümde se deneysel sonuçlar ve sonuç bölümler yer almaktadır. Cırcır Böceğ Algortması Cırcır Böceğ Algortması(CBA) güncel metasezgsel algortmalardandır. Cırcır böceğ olarak adlandırılan yaz aylarında yol kenarlarında çıkardıkları yüksek sesler le blnen br böcek türünün doğadak hareketnn matematksel olarak modellenmes le oluşturulmuştur. İmge şleme, blndk mühendslk problemlernn çözümü, ver kümeleme gb brçok alanda optmum çözümler sunmaya çalışmıştır [4-6]. Algortmaya at adımlar aşağıda verlmektedr. Adım 1: Algortmanın başında dğer sürü tabanlı algortmalardak gb lk popülasyon değerler rastgele oluşturulur. Bu değerlern uygunluk fonksyonuna gönderlmes le lk en y değer ve mnmum ses şddet f mn belrlenr. Adım : Rastgele kanat çırpış sayısının üretlmes le algortma başlar. Dolbear yasasına uygun olarak kanat çırpış sayılarına karşılık gelen hava sıcaklığı elde edlr. Adım 3: Bu sıcaklıktak sesn hızı ve frekans değer hesaplanır. Adım 4: Elde edlen hız ve frekans değerlerne göre böceklern koordnatları güncellenr. Güncellenen aday çözümler uygunluk fonksyonuna gönderlr. Adım 5: Mevcut f mn değernden daha küçük br değer elde edlmes durumunda en y değer olarak kabul edlr. Aks halde yen değerler elde etmek çn algortma çalışmaya devam eder. Adım 6: Btme ölçütüne ulaşana kadar yen çözümler aranmaya devam edlr. Adım 7: Sonuç olarak uygunluk fonksyonunu mnmum yapan optmum çözüm en y çözüm olarak kabul edlr ve sonuçlar gösterlr. Algortmaya at akış dyagramı Şekl-1 de, kullanılan denklemler Tablo 1 de gösterlmektedr. 37

Ver Blm Derg, 1(1), 36-44, 018 Şekl 1.CBA akış dyagramı 38

Ver Blm Derg, 1(1), 36-44, 018 Tablo 1. CBA da kullanılan denklemler Açıklama Formül Açıklama Formül Dolbear N 40 (1) Serbest ' L T = 50 + p = Lp A (9) atm Kanunu F 4 Alanda Gerçek Ses Basınç Düzey Dolbear N 40 () Frekans f = fmn + ( fmax fmn ) (10) T = 10 + Kanunu c 7 Değerler Sıcaklık-Hız İlşks Frekans V = 0.1* 73 + C (3) Hız değerler t t 1 v = v + ( x x ) f + V (11) V f = Sesn Şddet W p I = = 4r c (4) Koordnat Değerler (5) Rastgele yürüyüş * x = x + v (1) t t 1 t ( ) x = x + 0.01* rand 0,1 (13) Sesn Gücü d P = I *4 r (6) Ökld Mesafes rj = x x j = ( x, k x j, k ) Ses Basıncı Sevyes Atmosfern Lp Lw log Q r atm ( ) ses tutumu = + 10* [ / (4 )] (7) Çekclk K = K e r A 7.4 f r / Ø 10 8 = (8) Koordnatların Güncellenmes best 0 k = 1 r j = + 0 + ò x x K e (14) (15) (16).1 Kaotk Hartalar CBA da kaotk hartaların kullanılması le optmum noktadan uzaklaşmak veya yerel mnmumda takılmak gb problemlernn çözülmes amaçlanmıştır. Kaotk hartalardan üçüncüsü olan Gauss hartasının kullanılması le KCBA(Kaotk Hartalı Cırcır Böceğ Algortması) oluşturulmuştur. Deneysel sonuçlar ncelendğnde en y sonuçların bu hartadan elde edldğ görüldüğünden bu çalışma çn sadece bu kaotk harta seçlmştr. Bu hartadan elde edlen değerler algortmanın akış şemasında gösterlen gama değer le karşılaştırma yapılan rastgele sayı çn kullanılmıştır. Kullanılan Gauss hartası[10] denklem (17) dek gb temsl edlmektedr: X n+ 1 = 1/ X 1 / X n n 0 mod( 1) mod(1), X, X n n 1 1 = X n X n = 0 ( 0,1) (17) z z den küçük en büyük tamsayıyı temsl etmektedr. Gauss hartasında (0, 1) aralığında sayılar üretlmektedr. 3 ANFIS ANFIS yapay snr ağlarının öğrenme yeteneğn, bulanık sstemlern çıkarım yapablme kablyetn brleştren özel ağlardır. ANFIS'n amacı, bulanık sstemlern ve snr ağlarının en y özellklern entegre etmek ve bu sayede problemler çn karar destek mekanzmaları sağlamaktır. Eğer O halde kural yapısı, grş, çıkış değerlern kullanmasından dolayı karar verme mekanzmaları gerektren tahmn, sınıflandırma gb problemlerde sıklıkla kullanılmaktadır. ANFIS beş katmanlı br yapıya sahptr [11-16]. 1.Katman: Bu katmandak her br düğüm A ve B gb br bulanık kümey fade eder. Düğümlern çıkışı olarak grş örneklerne ve kullanılan üyelk şlevne bağlı olan üyelk dereceler kullanılır. Dğer br deyşle grş değerlernn bulanıklaştırıldığı katmandır. Düğüm çıkışları denklem (18) de gösterlmektedr. u = A ( x) =1, (18) u + = ( y) B 39

Burada, x, y ve düğümündek determnstk grd değerler, A ve B bulanık termler ve μa ve μb se üyelk fonksyonlarını fade etmektedr. x ve y gb k farklı grşe sahp olan ağda denklem (18) de gösterldğ gb farklı çıkış değer ve toplam 4 düğüm vardır. Her br düğüm çn en çoğu 1 en azı 0 olan üyelk şlevler kullanılmaktadır. Genel olarak, bulanık br kümenn üyelk şlev, üçgen, Guassan veya genelleştrlmş Bell şlev gb herhang br parametrel üyelk şlev olablr. Bu katmandak parametreler, Öncelkl Parametreler olarak adlandırılır..katman: Kural katmanı olarak adlandırılan bu katmandak düğümler, bulanık mantık kullanılarak oluşturulan kuralları ve sayısını fade etmektedr. Kural düğümlernn çıkışı olan µ, br öncek katmandan gelen üyelk derecelernn çarpımı olmaktadır. Düğüm çıkışı se br kuralın ateşleme sevyesn göstermektedr. µ değerlernn elde edlş se, (=1,.,n) olmak üzere, aşağıdak gb elde edlr. 3.Katman: = ( x)* ( y) (19) A B Bu katmanda kural katmanından gelen ateşleme sevyeler normalleştrlmektedr. Bu nedenle katman normalleştrme katmanı olarak smlendrlmektedr. th düğüm çn normalze edlmş ateşleme sevyes aşağıdak gb hesaplanmaktadır. 4.Katman: = (0) 1 + Durulaştırma katmanı denen bu katmanda her br kuralın ağırlıklandırılmış çıkış değerler hesaplanmaktadır. Bu hesaplama aşağıdak şeklde normalze edlmş ateşleme sevyeler le bulanık çıkarım sstemnn çıkış parametreler olan {p,r,q} değerlernn çarpılması sonucu elde edlmektedr. 5.Katman: f = p x + q y + r ) (1) ( Son katman çıkış katmanı olarak adlandırılır. Her kural çn elde edlmş çıkışlar br öncek katmanda toplanarak ANFIS'n çıkışı elde edlmektedr. Bu katmanda se bulanık kurallar durulaştırılarak tek br sayı üretlmektedr. f ( x, y) 4 4 f f = () = 4 ANFIS öğrenme algortması olarak en küçük kareler yöntem ve ger yayılmalı öğrenme algortmasının br arada kullanıldığı melez öğrenme algortmasını kullanır. Melez (hbrt) öğrenme algortmasında adım bulunmaktadır. Bunlar 1. İler geçş. Gerye geçş İler geçş şlemnde öncül parametreler sabtken, sonuç parametreler en küçük kare kestrm kullanılarak güncellenmektedr. Gerye geçşte se sonuç parametreler sabttr ve öncül parametreler güncellemek çn ger yayılma degrade nş yöntem(gradent descent) kullanılmaktadır. İler ve ger geçş şlemler belrl br epoch sayısınca tekrarlanarak eğtm şlem tamamlanır. ANFIS tek eğtm şlemnn amacı, ANFIS çıktısını eğtm verlerne uydurmak çn parametre setlern ayarlamaktır. Bu çalışmada global optmum parametre değerlernn bulunması çn sezgsel yöntemler kullanılmaktadır. ANFIS te katman 1 dek bulanıklaştırma ve katman 4 tek durulaştırma şlemlerndek parametre değerler sezgsel yöntemler tarafından sağlanmaktadır. Bu parametre değerler algortmadak cırcır böceğ pozsyon değerler le fade edlmektedr. Böceklern pozsyon değerler güncellendkçe bu parametre değerler güncellenmekte ve güncellenen parametre değerler le ANFIS eğtlmektedr. Optmzasyon algortmalarındak çözümün uygunluğunu 40

belrleyen uygunluk fonksyonu çn denklem 3 da gösterlen RMSE hata fonksyonu kullanılmaktadır. RMSE = N = 1 Eştlk 3 de kullanılan ( y y ) N y (3), zamanında ANFIS tarafından elde edlen çıkışı ve se sstemn gerçek çıkışını göstermektedr. N se uygulamada kullanılan örnek sayısını göstermektedr. 4 Sınıflandırma Problemler Sınıflandırma problemler makne öğrenmes alanında yaygın olarak çözülmes gereken başlıca problemlerdendr. Bu problemlerde amaç benzer y verlern daha önceden belrlenen özellklerne göre gruplandırılmasını sağlamaktır. Blgsayarlı görü, tıp, ekonom gb alanlarda kullanılan karar verme mekanzmalarında büyük very yorumlayıp sınıflandıracak araçlara öneml ölçüde htyaç duyulmaktadır. ANFIS ın bu htyacı karşılayacak br yapıda olması sınıflandırma problemlernde kullanımını yaygınlaştırmıştır. ANFIS kullanılan problemlerde performansı artırmak amacıyla ver setlerndek özntelklern en anlamlıları eğtme tab tutulur. Burada ver setlernden özntelk çıkarımı öneml br yere sahptr. Burada eğtme tab tutulacak öz ntelklern çıkarımında Temel Bleşenler Analz yöntem kullanılacaktır. Çalışmada kullanılacak ver setler UCI[17-19] vertabanından alınmıştır. Ver setlerne at açıklamalar Tablo de gösterlmektedr. Tablo. Ver setlerne at özellkler Ver Set Tür Boyutlar Grşler Çıkış Açıklama Wsconsn İkl Sınıflandırma 699 örnek, 11 Tam sayı sınıf Br kansern byops detaylarından Breast Cancer özntelk etket malgn veya bengn olup olmadığını tahmn eder. HTRU Sınıflandırma 17898 örnek, 9 özntelk Ondalıklı Sayı sınıf etket HTRU anket sırasında toplanan pulsar adayları. Pulsarlar, öneml br blmsel lgye sahp br tür yıldızdır. Adaylar, keşfe yardımcı olmak çn pulsar ve non-pulsar sınıflarına sınıflandırılmalıdır. Banknote Authentcaton Sınıflandırma 137 örnek, 5 özntelk Ondalıklı Sayı sınıf etket Verler, banknotlar çn br doğrulama prosedürünün değerlendrlmes çn çeklen görüntülerden çıkarılmıştır. 5 Deneysel Sonuçlar Bu bölümde CBA, KCBA ve BOA[0] sezgsel yöntemlernn yukarıda açıklanan ver setler üzerndek performansı gösterlecektr. Çalışma çn gelştrlen uygulama çn MATLAB programı kullanılmıştır. Uygulama I7, 8 GB RAM a sahp makne üzernde brbrnden bağımsız 30 kez çalıştırılmıştır. Bu çalıştırmalarda ortak parametre değerler kullanılmıştır. Algortmalara at kullanılan parametre değerler Tablo 3 de verlmektedr. Çalıştırmalar sonunda elde edlen ortalama RMSETran ve RMSETest değerler Tablo 4 de verlmektedr. Verlen sonuç tablosuna göre KCBA sezgsel yöntem Breast Cancer ver setnde 0.874 RMSEtran değer le mnmum hata değern elde etmştr. Bu ver setnde KCBA le eğtlmş 41

ANFIS n doğruluk oranı 98 olarak gerçekleşmştr. Banknote ver setnde elde edlen RMSEtran ve RMSEtest değer sırasıyla 0.08375 ve 0.035954 tür. Eğtm ve test vers çn elde edlen doğruluk oranı 100 gerçekleşmştr. HTRU ver setnde yne KCBA sezgsel yöntem dğer yöntemlere göre daha mnmum hata değerler vermektedr. Ver setlerne at doğruluk grafkler sırasıyla Şekl,3,4 de gösterlmektedr. Algortmalar CBA KCBA Tablo 3. Parametre değerler Algortma Parametreler Max Iterasyon:1000 Popülasyon:50 Max Iterasyon:1000 Popülasyon:50 ANFIS Parametreler fcm_u= fcm_maxiter=100 fcm_mnimp=1e-5 fs=genfs3(sugeno) nput mf=gaussmf output mf=lnear BOA Max Iterasyon:1000 Popülasyon:30 Algortmalar Mn RMSE Tablo 4. Sınıflandırma Problemlernn Sonuçları RMSEAvg Eğtm Vers RMSEStd Breast Cancer Test Vers Mn RMSE RMSEAvg RMSEStd CBA 0.1775 0.4035 0.007011 97.83 0.446 0.4845 0.0015 94.647 KCBA 0.0833 0.874 0.01097 98.17 0.33655 0.4111 0.037085 98.843 BOA 0.30339 0.3561 0.008648 95.6786 0.33411 0.3693 0.0088069 9.7451 Banknote Data Algortmalar Mn RMSE RMSEAvg Eğtm Vers RMSEStd Test Vers Mn RMSE RMSEAvg RMSEStd CBA 0.068934 0.084403 0.0083081 99.96 0.067768 0.094853 0.01847 99.6594 KCBA 0.010969 0.08375 0.010639 100 0.011813 0.035954 0.014445 100 BOA 0.099783 0.1149 0.007138 99.5466 0.10305 0.1178 0.00790 99.3917 HTRU Algortmalar Mn RMSE RMSEAvg Eğtm Vers RMSEStd Test Vers Mn RMSE RMSEAvg RMSEStd CBA 0.15068 0.157 0.0013801 99.3018 0.14777 0.15153 0.0019607 99.1378 KCBA 0.14671 0.14959 0.00094964 99.3504 0.13997 0.1457 0.00137 99.4674 BOA 0.1537 0.15465 0.0014503 99.408 0.15478 0.15734 0.0015411 99.14 100 Breast Cancer 98 96 94 9 CBA KCBA BOA 90 88 Eğtm Test Şekl. Breast Cancer ver set doğruluk grafğ 4

100. Banknote 100 99.8 99.6 99.4 99. CBA KCBA BOA 99 Eğtm Test Şekl 3. Banknote ver set doğruluk grafğ 99.5 99.4 99.3 99. 99.1 99 98.9 Eğtm Test HTRU CBA KCBA BOA Şekl 4. HTRU ver set doğruluk grafğ 6 Sonuçlar Bu çalışmada sınıflandırma problemlernde sezgsel yöntemler le eğtlmş ANFIS ağlarının performansı gösterlmeye çalışılmıştır. ANFIS ağlarının yapısı gereğ eğtmde kullanılacak parametre değerler sezgsel yöntemler le elde edlmekte ve ağın performansı bu sayede artırılmaya çalışılmaktadır. Çalışmada UCI ver tabanından alınmış 3 ver set üzernde eğtlmş ANFIS ağları kullanılmıştır. Sonuçlara bakıldığında sezgsel yöntemler le eğtlmş ANFIS ağlarının ortalama 97 oranında başarılı sonuçlar verdğn söylemek mümkündür. Ayrıca bu çalışmada yen sezgsel yöntemlerden olan CBA yaklaşımı ANFIS n eğtmnde lk defa denenmştr. Yne bu yöntemn kaotk hartalı versyonu olan KCBA da lk kez bu çalışmada ANFIS le brlkte kullanılmaktadır. Çalışmanın br amacı da bu sezgsel yöntemler tanıtmak ve ver blm alanında çalışmayı düşünen araştırmacılara fkr vermektr. İlerk çalışmalarda dern öğrenme alanındak farklı problemlern çözümünde sezgsel yöntemlern kullanımı konusunda çalışmalar yapılacaktır. Teşekkür Bu çalışma Van Yüzüncü Yıl Ünverstes Blmsel Araştırmalar Proje Başkanlığı (YYUBAP) tarafından FAP-018-7495 Kodlu Araştırmacı Potansyeln Gelştrme Desteğ kapsamında desteklenmektedr. Kaynaklar [1] Ghomsheh V S, Shoorehdel M A, Teshnehlab M. Tranng ANFIS structure wth modfed PSO algorthm. n 007 Medterranean Conf. on Control & Automaton,pp.1-6, Athens, 007. [] Karaboga D, Kaya E. Tranng ANFIS usng artfcal bee colony algorthm for nonlnear dynamc systems dentfcaton. n 014 nd Sgnal Processng and Communcatons Applcatons Conference (SIU) pp. 493 496, 014. [3] Haznedar B, Kalınlı A. Tranng ANFIS Usng Genetc Algorthm for Dynamc Systems Identfcaton Int. J. of Intell. Sys. and Appl. n Eng. 4(1), 44-47, 016. [4] Canayaz M, Karcı A. Crcket Behavor-Based Evolutonary Computaton Technque n Solvng Engneerng Optmzaton Problems. Appl. Intell. 44,36 376, 016. [5] Canayaz M, Karcı A. A novel approach for mage compresson based on mult-level mage 43

thresholdng usng dscrete wavelet transform and crcket algorthm. 3nd Sgnal Processng and Communcatons Applcatons Conference (SIU), 4-7,Malatya, 015. [6] Canayaz M, Demr M. Ver Kümelemede Yapay Atom Algortması ve Cırcır Böceğ Algortmasının Karşılaştırılmalı Analz. 4th Internatonal Symposum on Innovatve Technologes n Engneerng and Scence (ISITES016) pp. 130-139, Antalya,Turkey, 016. [7] Mrjall S, Lews A. The Whale Optmzaton Algorthm. Adv. n Eng. Soft, 95, 51-67,016. [8] Tanyıldızı E, Cgal T. Kaotk Hartalı Balna Optmzasyon Algortmaları. Fırat Ünv. Müh. ve Blm Dergs,9(1),309-319, 017. [9] Canayaz M, Demr M. Feature selecton wth the whale optmzaton algorthm and artfcal neural network. 017 Int. Artfcal Intell. and Data Processng Symposum (IDAP) pp. 1-5, 017. [10] Canayaz M, Özdağ R. Tranng artfcal neural network wth Chaotc Crcket Algorthm. 6th Sgnal Processng and Communcatons Applcatons Conference (SIU),pp. 1-4, Izmr,018. [11] Jang J S R. ANFIS Adaptve-Network-Based Fuzzy Inference System IEEE Trans Syst Man Cybern, 3(3), 665 685, 1993. [1] Jang J S R, Sun C T, Mzutan E. Neurofuzzy and soft computng Prentce Hall, Upper Saddle Rver, 1997. [13] Tür R, Balas C E. Belrgn Dalga Yükseklklernn Neuro-Fuzzy Yaklaşımı le Tahmn: Flyos Denz Yöres Örneğ. J. Fac. Eng. Arch. Gaz Unv. 5(3), 505-510, 010. [14] Karaboga D, Kaya E. Tranng ANFIS by usng the artfcal bee colony algorthm. Turk J Elec Eng & Comp Sc,5,1669-1679, 017. [15] Demrel Ö, Kakll A, Tektaş M. ANFIS ve Arma Modeller le Elektrk Enerjs Yük Tahmn. J. Fac. Eng. Arch. Gaz Unv. 5(3), 601-610, 010. [16] Elmas Ç.Yapay Zeka Uygulamaları. Seçkn Yayıncılık, 016. [17] Lyon R J, Stappers B W, Cooper S, Brooke J M, Knowles J D. Ffty Years of Pulsar Canddate Selecton: From smple flters to a new prncpled realtme classfcaton approach. Monthly Notces of the Royal Astronomcal Socety, 459 (1), 1104-113, 016. [18] Volker L, Helene D. UCI Machne Learnng Repostory [http://archve.cs.uc.edu/ml], 013. [19] Mangasaran O L, Wolberg W H. Cancer dagnoss va lnear programmng. SIAM News, 3(5), 1-18, 1990. [0] Canayaz M, Özdağ R. Tranng ANFIS usng The Whale Optmzaton Algorthm. Internatonal Conference on Advanced Technologes, Computer Engneerng and Scence (ICATCES), pp.409-414, Karabük, Türkye, 018. 44