Genel bulanık min-maks sinir ağları için gelişmiş çevrimiçi öğrenme algoritmasına ve matematiksel modellemeye dayalı veri sınıflandırması için hibrit bir yaklaşım

Bulanık Min-Maks Sinir Ağı (BMMS), sınıflandırma ve kümeleme görevleri için hiper kutular kullanan bir makine öğrenimi algoritmasıdır. Bulanık verilerin temsiline izin veren hiper-kutu bulanık kümeleri kullanılarak oluşturulmuştur. Bu, BMMS'yi özellikle belirsiz ve kesin olmayan verilerin işlenmesinde etkili kılar. BMMS sınıflandırması ve kümelemesinin her ikisi de bu konsepte dayalıdır ve bu da onu çeşitli uygulamalar için güçlü bir araç haline getirir. Karma tamsayılı programlama modelleri, diğer yöntemlere kıyasla gelişmiş performans ve genel optimallik sunabilir, ancak ikili değişkenlerin varlığından dolayı büyük veri kümelerini işleme yetenekleri sınırlıdır ve optimal olarak çözülmesi zor olabilir. Bu tezde, iyi bilinen bir yayın tarafından önerilen KTDP modelini bir başlangıç çözümü sağlayarak geliştirmeyi amaçlıyoruz. Bu tez, karma tamsayılı doğrusal programlamayı (KTDP) ve genel bulanık min-maks sinir ağları için geliştirilmiş bir çevrimiçi öğrenme algoritmasını (GÇÖ_GBMM) birleştiren yeni bir hibrit yaklaşım sunar. GÇÖ_GBMM yöntemi, KTDP modelinin verimliliğini artırmak amacıyla başlangıç kutularını oluşturmak için kullanılır. Yeni hibrit yaklaşım hem gerçek hem de yapay veri kümeleri üzerinde test edildi ve verimli olduğu gösterildi. Yeni hibrit yaklaşım, eğitim süresini 76 kata kadar hızlandırır ve yanlış sınıflandırılan verilerin sayısını 17 kata kadar azaltır.