Trombofili Hastalığı İle Genetik Bozukluklar Arasındaki İlişkinin Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (Anfis) İle Tespit Edilmesi

Haznedar, Bülent; Kalınlı, Adem

doi:10.16984/saufenbilder.40786

Cited by 3 publications

(3 citation statements)

References 29 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The cell inputs are the membership function values of the variables in the premise of rules and the cell outputs (O 2,i ) give the weights degrees (w i ) of the rules. µ i is the output of each rule node is the product of membership degress from Layer 1 (Haznedar & Kalınlı, 2016).…”

Section: Layermentioning

confidence: 99%

Diagnosing Silicosis Using Adaptive Neuro-Fuzzy Inference System

Eravci

rouyendegh

2022

Preprint

View full text Add to dashboard Cite

Early diagnosis of disease such as Silicosis generally increases the chances for successful treatment by focusing on detecting symptomatic patients as early as possible. Early diagnosis is important for life-saving. In this study, we use an Adaptive Neuro-Fuzzy Inference System to evaluate the possibility of silica exposure leading to silicosis. The aim of this study presents Diagnosing Silicosis with ANFIS to develop proactive and predictible methods for occupational health and safety in workplace. Experimental results for the model reveal that the model successfully forecast Silicosis and an accuracy rate of 94%. Correlation Between Real Risk and Predicted Risk is detected 0,981. There is calculated the statistically significant strong and positive relationship between real outputs and ANFIS predicted outputs at the level of α = 0,05 (r=0,981;p<0,001).ANFIS provides an alternative and proactive method for diagnosing Silicosis. ANFIS can be a useful tool for occupational health and safety professionals and researchers for early diagnosis saving life.

show abstract

Section: Layermentioning

confidence: 99%

Diagnosing Silicosis Using Adaptive Neuro-Fuzzy Inference System

Eravci

rouyendegh

2022

Preprint

View full text Add to dashboard Cite

show abstract

“…Layer 5 The final layer is the output layer. The ANFIS's output is obtained by adding the output values of each rule calculated in the defuzzification layer [36,37] by…”

Section: Adaptive Neuro-fuzzy Inference Systemmentioning

confidence: 99%

“…Thirdly, the objective function is computed as follows: Fig. 1 The basic ANFIS structure [32] The process works iteratively until the termination criterion is satisfied. Finally, the new c fuzzy cluster centers c i , i = 1, 2, …, c are computed as follows:…”

Section: Fuzzy C-means Clusteringmentioning

confidence: 99%

Optimizing ANFIS using simulated annealing algorithm for classification of microarray gene expression cancer data

Haznedar

Arslan

Kalınlı

2021

Med Biol Eng Comput

View full text Add to dashboard Cite

In the medical field, successful classification of microarray gene expression data is of major importance for cancer diagnosis. However, due to the profusion of genes number, the performance of classifying DNA microarray gene expression data using statistical algorithms is often limited. Recently, there has been an important increase in the studies on the utilization of artificial intelligence methods, for the purpose of classifying large-scale data. In this context, a hybrid approach based on the adaptive neuro-fuzzy inference system (ANFIS), the fuzzy c-means clustering (FCM), and the simulated annealing (SA) algorithm is proposed in this study. The proposed method is applied to classify five different cancer datasets (i.e., lung cancer, central nervous system cancer, brain cancer, endometrial cancer, and prostate cancer). The backpropagation algorithm, hybrid algorithm, genetic algorithm, and the other statistical methods such as Bayesian network, support vector machine, and J48 decision tree are used to compare the proposed approach's performance to other algorithms. The results show that the performance of training FCM-based ANFIS using SA algorithm for classifying all the cancer datasets becomes more successful with the average accuracy rate of 96.28% and the results of the other methods are also satisfactory. The proposed method gives more effective results than the others for classifying DNA microarray cancer gene expression data.

show abstract

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

Polatgil¹

2022

European Journal of Science and Technology

View full text Add to dashboard Cite

ÖzUyarlamalı 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.

show abstract

Trombofili Hastalığı İle Genetik Bozukluklar Arasındaki İlişkinin Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (Anfis) İle Tespit Edilmesi

Cited by 3 publications

References 29 publications

Diagnosing Silicosis Using Adaptive Neuro-Fuzzy Inference System

Diagnosing Silicosis Using Adaptive Neuro-Fuzzy Inference System

Optimizing ANFIS using simulated annealing algorithm for classification of microarray gene expression cancer data

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

Contact Info

Product

Resources

About