Giriş Kalite Kontrol Sürecinde Kabul-Ret Kararı Destek Sistemi

Karar destek algoritması tasarlanırken en önemli aşama, kullanıcıların beklentilerinin belirlenmesidir. Sonrasında veriler, veri madenciliği çalışma alanına aktarılır, hazırlanarak en önemli girdi parametreleri belirlenir, sistemi en iyi temsil eden ve örüntüdeki gizli bilgileri ortaya çıkaran model kurulur. Ardından, modelin performans göstergesi saptanır ve doğrulanmış sonuçlar değerlendirilir ya da karara destek olmak üzere kullanıma sunulur. Bu çalışmada da iplik kalite kabul sürecinde, dört adet girdi faktörünün yanında, kabul kararının verilmesinde çalışanların bilgi birikimlerinin de dikkate alındığı bir sistem için öngörü destek algoritmaları tasarlanmıştır. İlk algoritma, daha önce sınıflandırma çalışması için tasarlanıp doğrulanan melez genetik algoritma olup mevcut çalışmaya adapte edilmiştir. Diğer algoritma ise sinirsel ağlar temelli melez radyal tabanlı fonksiyondur ve probleme uygun hale getirilerek kodlanmıştır. Gerçek üretim verilerinin kabul-ret kararı için sınıflandırılması sürecinde, geliştirilen iki algoritmanın yanında literatürde iyi bilinen bazı yöntemler kullanılarak performans karşılaştırması yapılmıştır. Melez genetik algoritmanın performansı doğrulandıktan sonra, elde edilen en iyi kromozom, sınıflandırma tahmin modeli olarak kullanılmıştır. Önerilen yönteme göre, seçilen öznitelik değerleri, belirlenen katsayılar ile çarpılmış ve bir eşik değeri ile karşılaştırılarak makul bir doğruluk oranı ile kabul-ret kararı verilebilmiştir. Makalenin literatüre katkısı ise iki şekilde değerlendirilebilir. İlki, önerilen melez genetik algoritmanın sınıflandırma performansının melez sinirsel ağlar yöntemi ile karşılaştırılması, ikincisi, önerilen melez genetik algoritma sonucunda elde edilen en iyi kromozomun iplik kalite kabul süreci için destek sistem olarak kullanabilmesidir.

Anahtar Kelimeler:

Melez genetik algoritma, Melez radyal tabanlı fonksiyon, Sınıflandırma

PDF

___

[1] HILLAKER, H.: John Boyd, USAF Retired, Father of the F16, Code one magazine, July 1997.
[2] Galinec, D., & Steingartner, W. (2013). A Look at Observe, Orient, Decide and Act Feedback Loop, Pattern-Based Strategy and Network Enabled Capability for Organizations Adapting to Change. Acta Electrotechnica et Informatica, 13(2), 39.
[3] W. Ni , A Review and Comparative Study on Univariate Feature Selection Techniques, University of Cincinnati, 2012 Ph.D. thesis .
[4] Y. Saeys , I. Inza , P. Larrañaga , A review of feature selection techniques in bioinformatics, Bioinformatics 23 (19) (2007) 2507–2517 .
[5] J.R. Vergara , P.A. Estévez , A review of feature selection methods based on mutual information, Neural Comput. Appl. 24 (1) (2014) 175–186 .
[6] M. Seera , C.P. Lim , A hybrid intelligent system for medical data classification, Expert Syst. Appl. 41 (5) (2014) 2239–2249 .
[7] K. Bache, M. Lichman, UCI Machine Learning Repository, 2013 http://archive.ics.uci.edu/ml .
[8] Y. Marinakis , M. Marinaki , A hybridized particle swarm optimization with expanding neighborhood topology for the feature selection problem, in: Hybrid Metaheuristics, Springer, 2013, pp. 37–51 .
[9] S. Chatterjee , A. Bhattacherjee , Genetic algorithms for feature selection of image analysis-based quality monitoring model: an application to an iron mine, Eng. Appl. Artif. Intell. 24 (5) (2011) 786–795.
[10] C.-F. Tsai , W. Eberle , C.-Y. Chu , Genetic algorithms in feature and instance selection, Knowl. Based. Syst. 39 (2013) 240–247 .
[11] N. Das , R. Sarkar , S. Basu , M. Kundu , M. Nasipuri , D.K. Basu , A genetic algorithm based region sampling for selection of local features in handwritten digit recognition application, Appl. Soft. Comput. 12 (5) (2012) 1592–1606 .
[12] H. Du., Data Mining Techniques and Applications: an introduction, Cengage Learning EMEA (2010).
[13] Sousa, T., Silva, A., & Neves, A. (2004). Particle swarm based data mining algorithms for classification tasks. Parallel computing, 30(5-6), 767-783.
[14] M. Zhao , C. Fu , L. Ji , K. Tang , M. Zhou , Feature selection and parameter optimization for support vector machines: a new approach based on genetic algorithm with feature chromosomes, Expert Syst. Appl. 38 (5) (2011) 5197–5204.
[15] S. Li , H. Wu , D. Wan , J. Zhu , An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vector machine, Knowl. Based Syst. 24 (1) (2011) 40–48.
[16] A . Özçift , A . Gülten , Genetic algorithm wrapped Bayesian network feature selection applied to differential diagnosis of erythemato-squamous diseases, Digital Signal Process. 23 (1) (2013) 230–237.
[17] Haykin, S. S., Haykin, S. S., Haykin, S. S., & Haykin, S. S. (2009). Neural networks and learning machines (Vol. 3). Upper Saddle River: Pearson.
[18] Fu, X., & Wang, L. (2003). Data dimensionality reduction with application to simplifying RBF network structure and improving classification performance. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 33(3), 399-409.
[19] Janik, P., & Lobos, T. (2006). Automated classification of power-quality disturbances using SVM and RBF networks. IEEE Transactions on Power Delivery, 21(3), 1663-1669.
[20] Yildirim, P., Birant, D., & Alpyildiz, T. (2018). Data mining and machine learning in textile industry. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(1), e1228.
[21] Akyol, U., Tüfekci, P., Kahveci, K., & Cihan, A. (2015). A model for predicting drying time period of wool yarn bobbins using computational intelligence techniques. Textile Research Journal, 85(13), 1367-1380.
[22] Yildiz, Z., Dal, V., Ünal, M., & Yildiz, K. (2013). Use of artificial neural networks for modelling of seam strength and elongation at break. Fibres & Textiles in Eastern Europe.
[23] Behera, B. K., & Karthikeyan, B. (2006). Artificial neural network-embedded expert system for the design of canopy fabrics. Journal of industrial textiles, 36(2), 111-123.
[24] Nurwaha, D., & Wang, X. H. (2012). Using intelligent control systems to predict textile yarn quality. Fibres & Textiles in Eastern Europe, 20(1), 23-27.
[25] M.A . Tahir , A . Bouridane , F. Kurugollu , Simultaneous feature selection and feature weighting using hybrid tabu search/ k -nearest neighbor classifier, Pattern Recognit. Lett. 28 (4) (2007) 438–446.
[26] Eroglu, D. Y., & Kilic, K. (2017). A novel Hybrid Genetic Local Search Algorithm for feature selection and weighting with an application in strategic decision making in innovation management. Information Sciences, 405, 18-32.
[27] Alam, M. R., Togneri, R., Sohel, F., Bennamoun, M., & Naseem, I. (2013, February). Linear regression-based classifier for audio visual person identification. In Communications, Signal Processing, and their Applications (ICCSPA), 2013 1st International Conference on (pp. 1-5). IEEE.
[28] Bühlmann, P., & Yu, B. (2003). Boosting with the L 2 loss: regression and classification. Journal of the American Statistical Association, 98(462), 324-339.
[29] G.H. John , P. Langley , Estimating continuous distributions in Bayesian classifiers, in: Proceedings of the Eleventh conference on Uncertainty in artificial intelligence, Morgan Kaufmann Publishers Inc., 1995, pp. 338–345 .
[30] D.W. Aha , D. Kibler , M.K. Albert , Instance-based learning algorithms, Mach. Learn. 6 (1) (1991) 37–66 .
[31] M. Hall , E. Frank , G. Holmes , B. Pfahringer , P. Reutemann , I.H. Witten , The Weka data mining software: an update, ACM SIGKDD Explorations Newsletter 11 (1) (2009) 10–18 .