Görüntüleme
10
İndirme
3
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.
The most important step when designing a decision support algorithm is to determine the expectations of users. Then the data is transferred to the work area of data mining, the most important input parameters are determined by preparation, the system is best represented and the model is established that reveals the secret information in the sample. Then the performance indicator of the model is determined and verified results are evaluated or presented to use to support the decision. In this study, in the line quality acceptance process, in addition to the four input factors, forecast support algorithms are designed for a system where the knowledge of employees is also taken into account when the acceptance decision is made. The first algorithm was a genetic algorithm that was previously designed and verified for classification work and was adapted to the current study. The other algorithm is a radio-based function based on nerve networks and is encoded by making the problem suitable. In the process of classification of real production data for acceptance-ret decision, performance comparison was made using some known methods in literature along with the two developed algorithms. After the performance of the melt genetic algorithm was verified, the best chromosome obtained was used as a classification predictive model. According to the proposed method, the selected specific values are divided by the determined ratio and can be adopted with a reasonable accuracy rate compared to a marginal value. The contribution of the article to literature can be assessed in two ways. The first is the comparison of the classification performance of the recommended molecular genetic algorithm with the molecular nervous networks method, the second is that the best chromosome obtained by the recommended molecular genetic algorithm can be used as a support system for the thread quality acceptance process.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
