Comperative evaluation of combined artificial intelligence and mathematical methods for defect classification
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
KISA ÖZET Bu çalışmada değişik sınıflandırma yöntemleri uygulayarak, üretimden gelen bozuk motor verisini sınıflandırdık ve yöntemlerin veriyi sınıflandırma başarısını kıyasladık. Sınıflandırma yöntemi olarak ağaç sınırlandırıcılar, yapay sinir ağlan ve k- merkez sınıflandıncılar gibi alışılagelmiş yöntemlerin yanısıra, bunların çeşitlemelerinden olan doğrusal ve doğrusal olmayan görsel sınırlandırıcılar ve bulanık sinir ağlan, ve karma bir sınıflandıncı olan genetik öbekleme sınıflandıncılannı kullandık. Her smıflandıncıyı, bazen görsel muayene, doğrusal birleşim, Fisher doğrusal ayırma yöntemi, en önemli bileşenler çözümlemesi yöntemi ve doğrusal olmayan korelasyon yapan yapay sinir ağı gibi değişik öznitelik bulma ve seçme yöntemleri de kullanarak, kendi başına inceledik. Son olarak birini-dışanda-bırak ( çapraz-doğrulama ) yöntemiyle, sınıflandıncdanmızın veriyi doğru sınıflayabilme basanlarını kıyasladık. Doğrusal ve doğrusal olmayan görsel sınıflandıncılar, bulanık sinir ağlarının bir çeşidi, genetik öbekleme sınıflandıncısı ve doğrusal olmayan korelasyon yapan yapay sinir ağı, bu çalışmada ortaya konan yeni kavramlardır. IV ABSTRACT In this thesis, we have processed a data of defective motors coming from production, with different pattern classification methods and we have compared their performances in classifying our data. We have applied selected well-known classifiers, the tree classifiers, neural networks and k-means classifiers, as well as variations of some well-known classifiers, the linear and nonlinear visual classifiers, neuro-iuzzy classifiers and finally a hybrid one, the genetic clustering classifiers. Each classifier was first analyzed individually, sometimes trying alternative feature extraction and selection methods which were the visual inspection, linear combination, Fisher linear discrimination method, Principal Components analysis and the NonLinear Correlating Neural Network. Finally a comparison of all the classifiers was done on the basis of their performance in classifying the data by using the leave-one-out or crossvalidation method. The visual classifiers, genetic clustering classifiers, a variation of the neuro-fuzzy classifier and the NonLinear Correlating Neural Network are new concepts introduced with this thesis.
Collections