Heuristic algorithms which are artificial bee colony (ABC), differential evolution algorithm (DEA) and particle swarm optimization (PSO) algorithms are powerful evolutionary computation techniques for electronic circuit design. In this work, usage of ABC, FGA and PSO algorithms in the design of tenth orders Butterworth, and 1-dB Chebyshev low-pass filters are investigated and the obtained comparative results are presented. PSO algorithm obtained the effective and efficient design parameter results for Butterworth and 1-dB Chebyshev low-pass filters.
Anemia occurs when the hemoglobin (Hgb) value falls below a certain reference range. It requires many blood tests, radiological images, and tests for diagnosis and treatment. By processing medical data from patients with artificial intelligence and machine learning methods, disease predictions can be made for newly ill individuals and decision-support mechanisms can be created for physicians with these predictions. Thanks to these methods, which are very important in reducing the margin of error in the diagnoses made by doctors, the evaluation of data records in health institutions is also important for patients and hospitals. In this study, three hybrid models are proposed to classify non-anemia records, Hgb-anemia, folate deficiency anemia (FDA), iron deficiency anemia (IDA), and B12 deficiency anemia by combining artificial intelligence and machine learning methods TreeBagger with Crow Search Algorithm (CSO), Chicken Swarm Optimization Algorithm (CSO) and JAYA methods. The proposed hybrid models aim to achieve high performance by better emphasizing the importance of parameters. To solve the multiclass anemia classification problem, fuzzy logic-based parameter optimization is applied to improve the class-based accuracy as well as the overall accuracy in the dataset. The classification performances of the proposed methods are evaluated using accuracy, F-score, precision, and recall criteria to build a prediction model to identify the anemia type of anemic patients. A result of the study on the dataset taken from the Kaggle database found that the three proposed hybrid methods outperformed other studies using the same dataset and similar studies in the literature.
Karga arama algoritması (CSA) kargaların zekâ davranışlarına temellendirilen yeni meta-sezgisellerden biridir. Basit yapısı ve az sayıda parametreye ihtiyaç duyuşu ona avantaj sağlamasına rağmen, erken yakınsama problemi ve yerel optimuma kolayca düşmesi özellikle çokmodlu (MM) problem çözümlerinde performansını düşürmektedir. Bu çalışmada, CSA ‘nın bu zayıflığını güçlendirmek ve etkinliğini arttırmak için artımsal popülasyon (IPOP) temelli CSA (ICSA) algoritmaları geliştirilmektedir. Genişleyen bir popülasyonu temel alan IPOP stratejisi ile hesaplama boyunca çözüm çeşitliliğin sağlanması hedeflenmektedir. Geliştirilen dört adet CSA versiyonu 100-boyutlu test fonksiyonlarına uygulanarak performansları gözlemlenmiştir. Elde edilen sonuçlar, önerilen metotların temel CSA ’nın performansını iyileştirdiğini göstermektedir.
In this study, prohibited operating zone economic power dispatch problem which considers ramp rate limit, has been solved by improved particle swarm optimization algorithm (GPSO). The transmission line losses used in the solution of the problem have been computed by B-loss matrix. GPSO method has been applied to two different test systems in literature which consist of 6 and 15 generators. The attained optimum solution values have been compared with the optimum results in literature and have been discussed.
Bu calismada literaturde meta-sezgisel algoritmalarin performanslarini artirmaya yonelik yaklasimlardan biri olan zit konumlu ogrenme kavrami (OBL), yercekimsel arama algoritmasina (GSA) iki farkli sekilde uygulanmistir. Birinci yaklasim da (ObGSA-1), ilk populasyonunun olusturulmasinda ajanlarin yarisi rastgele atanirken, diger yarisi bu ajanlarin simetrisine konumlandirilmistir. Ikinci yaklasimda (ObGSA-2) ise ilk populasyonda, rastgele olarak olusturulan butun ajanlarin zit konumlari belirlenmis ve uygunluk degeri daha yuksek olan ajanlarla ilk populasyon olusturulmustur. Bu yaklasimlarla performans ve kararlilik acisindan algoritma iyilestirilmistir. Ortaya cikan bu yeni algoritmaya zit konumlu yercekimsel arama algoritmasi (Opposite Based Gravitational Search Algorithm-ObGSA) adi verilmistir. Performans analizi icin ObGSA uc farkli yapidaki test fonksiyonlarina uygulanmistir. Bu sonuclara gelistirilen her iki yaklasimda (ObGSA-1, ObGSA-2), GSA’ya gore daha iyi sonuclar vermistir. Iki yaklasim kendi aralarinda degerlendirildiginde ise ObSA-2 yaklasiminin, ObGSA-1 yaklasimina gore daha iyi degerler yakaladigi ve daha kararli bir yapi oldugu sonucuna varilmistir.
Günümüzde derin öğrenme metotları robotik, ses işleme, tıp ve görüntü gibi birçok alanda yaygın kullanılmaktadır. Bu çalışmada literatürde yapılan görüntü sınıflandırma ve analizine yönelik çalışmalar detaylı bir şekilde incelenmiştir. Ayrıca yapılan çalışmada CNN kullanılarak derin öğrenme metotlarının MNIST, Fashion MNIST, CIFAR-10 ve CIFAR-100 ismindeki 4 farklı veri seti üzerinde performans analizleri yapılmıştır. Oluşturulan derin öğrenme modellerinin yapıları, eğitim için kullanılan parametre değerleri, kullanılan katmanlar, doğrulama verileri için elde edilen karmaşıklık matrisleri, doğruluk ve kayıp grafikleri ayrıntılı olarak gösterilmiştir. Çalışmamız 3 adet konvolüsyon katmanı, 3 adet batch normalizasyon katmanı, 2 adet maxpooling katmanı, 1 flatten, 2 droupout, 2 dense katmanından oluşan farklı bir ağ yapısı ile gerçekleştirilmiştir. Ayrıca önerdiğimiz modelle görüntü sınıflandırılmasının farklı veriler üzerindeki performansı artırılmıştır. Test sonunda çalışmamız çeşitli değerlendirme metriklerine göre doğruluk sonuçları karşılaştırılmıştır. Kullanılan tüm veri setleri için en iyi ve en kötü bulunan görüntüler tespit edilmiştir. Önerilen CNN modeli ile MNIST ve Fashion MNIST veri setleri için yüksek doğruluk oranları gözlemlenmiş olup bu değerler sırasıyla %99.22 ve %99.21’dir.
Abstract Data mining methods are important for the diagnosis and prediction of diseases. Early and accurate diagnosis of patients is vital for their treatment. Various methods have been used in the literature to classify anemia. However, due to the different characteristics of patient datasets, changes in dataset sizes, different parameter numbers and features, and different numbers of patient records, algorithm performances vary according to datasets. In this study, the Harris hawks algorithm (HHA) and the multivariate adaptive regression spline (MARS) were used to classify anemia based on blood data of 1732 patients from the Kaggle database of patients with and without anemia. Six different algorithms were proposed to determine the parameters of the linear anemia approximation, namely multilinear form HHA, multilinear quadratic form HHA, multilinear exponential form HHA, first-order MARS model, second-order MARS model, and the best performing MARS model. The performance of the six proposed algorithms has been analyzed and found to be better than the previous studies in the literature.
