JOURNAL OF COMPUTING, VOLUME 2, ISSUE 11, NOVEMBER 2010, ISSN 2151-9617

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 102

Forecasting Material Properties using

Functional Networks
S. O. Olatunji, Akeem Olowolayemo, Imran A. Adeleke

Abstract —  This paper presents a new prediction model of material properties (strength of materials) based on composition
and microstructure using Functional Networks (FN). Recently, Functional Networks have been proposed as a new intelligence
framework for both prediction and classification. It is a generalization of the standard neural networks, dealing with general
functional models instead of sigmoid-like ones. In this work, a Functional Networks model has been developed and used to
predict the tensile strength of gray cast iron based on five input features that include: the carbon equivalent, the graphite flake
size, the micro-hardness of the matrix, the amount of austenite dendrite and the eutectic cell count. The comparative
performance of the proposed model with that of the earlier used approaches for predicting strength of materials such as Fuzzy
Neural Networks, Multiple Linear Regression, Generalized Regression Neural Network, and Fuzzy Regression shows that FN
outperformed others, particularly in terms of accuracy, reliability and efficiency. This work will be a great contribution to the field
of material science since a common goal for Materials Scientists and Engineers is the determination of the relationship between
the structure of a material and its properties.

Index Terms— Functional Networks, Neural Networks, Material Properties Forecasting, Microstructure, Tensile Strength.
——————————  ——————————

1 INTRODUCTION

M
ATERIAL properties are very important in most  learning precision while experimental data is expensive 
Mechanical  Engineering  computations.  to obtain and are not readily available for new material 
Determining  the  relationship  between  the  design.  
structure  of  a  material  and  its  properties  has  been  a  Recently, Functional Networks have been proposed as a 
common  concern  for  material  scientists  and  engineers  new  intelligence  framework  for  both  prediction  and 
[2].  Experimental  procedures  are  usually  required  to  classification.  It  is  a  generalization  of  the  traditional 
determine  this  relationship.  However,  with  the  advent 
neural  networks,  instead  of  the  sigmoid‐like  models,  it 
of predictive algorithms, new approaches for estimating 
deals  with  general  functional  models.  In  functional 
these  material  properties  become  available,  making  it 
more  convenient  to  statistically  determine  this  networks  the  functions  associated  with  the  neurons  are 
relationship. The main contribution of this work is to the  not fixed but are learnt from the available data and have 
field  of  material  science,  since  for  Materials  Scientists  the  ability  to  achieve  good  generalization  in  the  face  of 
and  Engineers  alike,  a  universal  concern  is  the  scarce data [4]. In this work, a functional networks (FN) 
determination  of  the  relationship  between  the  structure  model  has  been  developed  and  used  to  predict  the 
of a material and its properties. Obviously, the ability to  tensile  strength  of  gray  cast  iron  based  on  five  input 
predict  the  properties  of  materials  prior  to  their  features  namely:  the  carbon  equivalent,  the  graphite 
synthesis and processing would be of tremendous value 
flake size, the micro‐hardness of the matrix, the amount 
in  optimizing  the  end  products  [2].  Numerous 
of  austenite  dendrite  and  the  eutectic  cell  count.  We 
algorithms  and  approaches  have  been  employed  earlier 
to  estimate  these  material  properties.  These  algorithms  applied  functional  network  model  to  forecast  the 
include  State  of  Equations,  Statistical  Regression,  and  relationship  between  material  structure  and  properties 
Neural  Networks  modeling  schemes.  Unfortunately,  and compared our results with the performance of other 
adoption  of  these  earlier  approaches  is  confronted  by  earlier  used  approaches  for  predicting  strength  of 
two  challenges;  accuracy  is  often  limited  giving  rise  to  materials, like Fuzzy Neural Networks, Multiple Linear 
poor  generalization  problem  due  to  the  requirement  of  Regression,  Generalized  Regression  Neural  Network, 
large  amount  of  training  data  in  order  to  acquire  high  and  Fuzzy  Regression.  Comparative  results  show  that 
functional  networks  performed  better  in  relation  to 
————————————————
these  other  approaches.  Additionally,  it  was  also 
 S.O. Olatunji is a PhD candidate at the Faculty of Computer Science and 
Information Systems, Universiti Teknologi Malaysia   confirmed  that  functional  networks  are  easier  and 
 Akeem Olowolayemo is with the Intelligent Environment Research Group,  quicker to train thereby are useful tools as an alternative 
K ICT, International Islamic University Malaysia. 
 Imran A. Adeleke Imran Adeleke is a PhD candidate at the Department of to the traditional artificial neural networks. 
information Systems, Faculty of Computer Science and Information 
Systems, Universiti Teknologi Malaysia 
 
© 2010 Journal of Computing Press, NY, USA, ISSN 2151-9617
http://sites.google.com/site/journalofcomputing/
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 11, NOVEMBER 2010, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 103

The  work  presented  in  this  paper  has  a  useful  approaches [5]. For further details see [9, 11‐16]. A brief 

contribution to forecasting of material properties, which  discussion  of  functional  networks  is  presented  in  the 
is  a  field  characterized  by  data  scarcity.  Since  it  is  following section.  
difficult to find sufficient amount of data set for training 
and  testing  a  model,  any  model  that  requires  lesser  A. Working With  Functional Networks  
In this section, we describe how functional networks can 
amount  of  data  set  would  be  a  great  advantage. 
be used. 
However, several research outcomes have demonstrated 
Functional  network  as  described  in  [1]  is  defined  as  a 
FN  as  a  potential  prediction  method  that  can  make  pair   X   ,  where  X   is  a  set  of  nodes  and 
relatively  accurate  predictions  in  the  face  of  few  data    { x j  f j  z j  j  1 2… p }   is  a  set  of  neuron 
sets.  This  has  also  been  confirmed  by  the  excellent  functions over  X , such that, every node  x j  X  must 
results  obtained  in  this  work.  The  implementation  be  either  an  input  or  an  output  node  of  at  least  one 
processes  were  carried  out  based  on  the  experimental  neuron function in   . The node X j  X , for all  j  is a 
data contained in [2] and which were also earlier used in   multiple  node  if  it  is  an  output  of  more  than  one  neuron 
[6,7 and 8].  Performance measures taken demonstrated  functions  or  a  simple  node,  if  otherwise.  See  [  10,12,15  ] 
for details. 
the  superior  performance  of  functional  network  model 
Functional  networks  methodology  can  be  more  easily 
in  comparison  with  the  methods  earlier  used  on  the 
understood  by  organizing  it  into  seven  steps,  described 
same data set.   briefly below:  
The rest of this paper is organized as follows. Section 
2 presents the proposed intelligence framework. Section  1.  Statement  of  the  problem:  Understanding  the 
3  provides  empirical  study,  implementations  process  problem to be solved. This is a key step.  
and  comparative  studies.  Results  and  discussions  are  2.    Select  the  suitable  initial  architecture:  The 
presented  in  the  concluding  part  of  this  section.  The  selection  of  the  initial  topology  of  a  functional  network 
conclusion and future work as well as recommendations  is based on the characteristics and the knowledge of the 
are provided in Section 4.  problem  at  hand,  which  usually  leads  to  a  single  clear 
  network structure. 
3.  Simplifying  the  initial  functional  network:  The 
2 THE PROPOSED FUNCTIONAL initial  functional  network  is  simplified  using  functional 
NETWORKS INTELLIGENCE equations.  Given  a  functional  network,  we  wish  to 
FRAMEWORK determine  whether  there  exists  another  functional 
Functional  networks  were  recently  introduced  as  an  network  giving  the  same  output  for  any  given  input. 
extension  of  artificial  neural  networks  (ANNs)  and  Functional  equations  are  the  main  tool  for  simplifying 
unlike ANNs, they estimate unknown neuron functions  functional  networks,  further  information  about  the 
from  given  functional  families  during  the  training  functional equations and their solutions can be found in 
process  [3].  functional    networks  have  been  introduced  [10].  In  general,  functional  network  architecture  can  be 
by  previous  authors  as  a  generalization  of  the  standard  represented by functional equations, their solutions lead 
neural  networks  and  deal  with  general  functional  to  an  equivalent  but  simpler  one.  This  will  lead  to  the 
models instead of sigmoid‐like ones [4].   idea of network equivalence. 
In functional networks, the functions associated with  Equivalent  Functional  Networks:  We  say  that  the 
the  neurons  are  not  fixed  but  are  learnt  from  the 
available  data  [1].  It  also  allows  converging  neuron 
outputs,  forcing  them  to  be  coincident.  This  leads  to 
functional equations or systems of functional equations, 
which  require  some  compatibility  conditions  on  the 
neuron  functions.  Functional  networks  have  the 
possibility of dealing with functional constraints that are 
determined  by  the  functional  properties  of  the  network 
model.  Functional networks scheme has been applied to 
both  continuous  and  categorical  outcomes    and  it  has 
been  found  to  be  effective  in  solving  wide  range  of 
problems  in  areas  such  as  signal  processing,  pattern 
recognition,  functions  approximations,  real‐time  flood 
Fig.1. (a) Associativity functional networks (b) The equivalent
forecasting,  bioinformatics  and  medicine,  structure  functional network.
engineering, and other business applications [4]. Various 
comparative  studies  have  been  carried  out  to  compare  two  FNs   X 1  ,   X  2    are  equivalent,  if  they 
the  effectiveness  of  functional  networks  in  relation  to  give the same output for any given input.  
other  prediction/classification  modeling  schemes  and  4. Checking uniqueness of representation: 
have  shown  to  outperform  most  of  the  modeling  Conditions  for  the  neural  functions  of  the  simplified 
 104
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 11, NOVEMBER 2010, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG
functional  network  must  be  obtained.  Sometimes,  for  a 
a 
 11 … an 1   b1u 1 b1u  2 … b1n 
given structure, we can get different output for the same     
set  of  inputs,  or  the  corresponding  functional  network  A B 
T 
 …      …    0
model  is  not  separable.  Thus,  we  must  check  the    

uniqueness  conditions  on  representation  of  this 


 1u
a … anu   b n u 1 bn u  2 … b n  n 
functional  network  and  finding  the  constraints  that                   
neural  functions  of  the  simplified  functional  network 
must satisfy.   where  0  is a  u  ( n  u )  zero matrix. 
For example, assume that there are two set of functions 

{f 1 () p1 () q1 ()}  and,   {f 2 () p 2 () q 2 ()}  such that  5.  Learning  Algorithm:  Once  the  structure  of  the 
functional  network  is  known  in  Step  2,  the  neural 
they give the same output for the same input, that is,   functions  of  the  network  must  be  learned  (estimated) 
using  some  minimization  methods.  In  functional 
  networks, this learning process consists of obtaining the 
neural  functions  based  on  a  set  of  data D   based  on 
f 11[ p1(x )  q1( y )]  f 21[ p2 (x )  q2 ( y )] for x  y  R  minimizing  the  sum  of  squared  errors.  In  general,  we 
  learn  the  neural  functions  by  suggesting  an 
         
approximation  to  each  of  the  functions,  for  example,  a 
the  general  solution  of  which  is  f 2 ( x )  c f 1 ( x ) .  neural  function  can  be  approximated  using  a  set  of 
This  means  that  c   is  not  identifiable  and  one  extra  known linearly independent family  
 
condition  is  required.  For  example,  force  f ( x )  y    
to have uniqueness. The following theorem is necessary 
in checking the uniqueness of a functional network:   {s1s 2…sms }, for all  s , that is,  
Theorem  1  [Castillo  and  Ruiz‐Cobo  (1992)  [10],  p.  52)]: 
ms
All 
n
solutions  of  the  functional  equation 
g s (x ) a
i 1
si  si ( x ) for all s                                  

f
k 1
k (x ) g k ( y )  0  can be written as:  
where the coefficient  asi  are the parameters of the FNs. 

Examples of    are:  
 f 1 (x )   1 (x )   g1( y )   u 1 ( y ) 
       
    A        B                         
‐  Polynomial  Family:    {1 X  X 2 … X m } , 
 f (x )    (x )   g (y )   (y ) 
 n   u   n   n  or  
  ‐  Fourier

  Family
where  0  u  n   is  an  integer;  {1 (x )…  u (x )}  
  {1Cos (X ) Sin (X ) …Cos l (X ) Sin l (X )}
and  { u 1 ( y )…  …  n ( y )}   are  two  arbitrary 
, where  m  2l , or  
systems of mutually linearly independent functions;   ‐  Exponential 
 
Family:   {1 e X  e  X  e 2 X  e 2 X  … e mX  e  mX }
A   aki  nu , and   ,  
where  m   is  the  number  of  elements  in  the  family. 
B  bkj     The  parameters  can  be  learned  using  optimization 
n(n u ) methods.  
6.  Network  model  validation:  After  the  learning 
 
algorithm process is done, it is essential to do the test for 
are constant matrices with  quality  of  the  functional  network  model,  to  assess  its 
performance  and  to  see  whether  or  not  the  selected 
family of approximating functions are suitable.  
7.  Use  of  the  FN  model:  Once  the  FN  model  has  been 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 11, NOVEMBER 2010, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 105

satisfactorily  validated,  it  is  ready  to  be  used  for  the  external  validation  phase  (testing  result).  It  could  be 
actual purpose of prediction, which form the core of this  easily  observed  that  functional  network  based 
work.  Further details on FN can be found in [10, 12‐18].  intelligence  modeling  scheme  outperforms  others, 
particularly during the testing phase, which is the main 
determinant of a good model. 
3 EMPIRICAL WORK, DISCUSSION AND  
COMPARATIVE STUDIES From  the  tables  presented,  it  could  be  easily  observed, 
In  order  to  carry  out  empirical  study,  the  experimental  most  importantly  for  the  testing  result  (external 
data set used in [2] was utilized in this research.   validation,  functional  network  model  has  the  highest 
  correlation  coefficient,  R2  =  0.97,  and  the  smallest  root 
The  data  contains  the  carbon  equivalent  (%),  the  mean  squared  error,  RMSE=21.96  while  fuzzy  neural 
graphite  flake  size  (μm‐1  x  103),  the  micro  hardness  of  network  is  below  functional  network  scheme  with  R2 
the matrix (MPa x103), the amount of austenite dendrite  =0.95,  RMSE=374.28.  The  other  techniques  also  indicate 
(%)  and  the  eutectic  cell  count  (104  x  m‐2)  as  input  lower performance compared to functional network, as, 
features,  and  the  tensile  strength  (MPa)  as  the  generalized  regression  neural  network  has  R2=0.86, 
dependent variable (output data).   RMSE=1533.85,  fuzzy  regression  has  R2=0.81,  RMSE= 
1223.19,  and  multiple  linear  regression  has  R2=0.84, 
3.1 Implementation Process TABLE 2
To  evaluate  performance  of  each  modeling  scheme,  the  PERFORMANCE MEASURE FOR TESTING SET
entire  database  is  divided  using  the  stratified  sampling 
approach.  70%  of  the  data  were  used  for  training  and    MLR  FR  GRNN  FNN  FN
building  the  functional  network  model  (internal 
validation)  and  remaining  30%  reserved  for  Root  MSE  1043.2  1223.2  1533.85  374.28  21.96
testing/validation  (external  validation  or  cross‐
Correlation  0.84  0.81  0.86  0.95  0.97
validation  criterion).  For  testing  and  evaluation  of  the 
R2  
newly  developed  framework,  and  to  carry  out  effective 
comparative studies viz‐a‐viz other earlier methods, the 
MLR=multiple linear regression, FR=fuzzy regression, 
two  most  common  statistical  quality  measures  that  are 
GRNN=generalized regression neural network, FNN=fuzzy 
utilized  in  both  data  mining  and  machine  learning 
neural networks, FN=functional networks
journals  were  employed  in  this  study.  These  are  root 
RMSE= 1043.21.   
mean  squared  error  (RMSE)  and  correlation  coefficient 
From  these,  it  became  clearer  that  functional  network 
(R2).    The  training  set  is  used  to  build  the  model  while 
performed  excellently  better  with  a  2.1%  improvement 
the  testing  set  is  used  to  evaluate  the  predictive 
over  the  best  among  the  other  models,  and  15.5%  over 
capability  of  the  model.  MATLAB  2008b  has  been 
the least among the other models in terms of correlation 
employed in implementing the model, with polynomial 
coefficient.  While  in  terms  of  root  mean  square  error, 
function  of  degree  2  being  used  as  the  approximation 
functional network model has 94.1% improvement over 
function  of  choice.  The  obtained  results  throughout  the 
the  best  among  the  other  models  and  98.6%  over  the 
entire process are presented shortly in following tables. 
least among the other models. These clearly points to the 
3.2 Discussion and Comparative Studies superior  performance  of  functional  networks  in 
The  results  of  comparisons,  between  the  newly  predicting material properties.  
proposed  functional  network  and  the  three  earlier  used 
methods,  namely  Fuzzy  Neural  Networks,  Multiple  IV CONCLUSION AND RECOMMENDATION
Linear  Regression,  Generalized  Regression  Neural 
In  this  study,  published  data  set  have  been  used  in 
Network, and Fuzzy Regression, using both internal and 
investigating  the  feasibility,  performance,  and  accuracy 
external  validation  check  were  summarized  in  Tables  1 
of  the  proposed  functional  network  based  modeling 
and  2.  A  good  forecasting  scheme  should  have  the 
scheme as a new framework for predicting the material 
highest  correlation  coefficient  (R2),  and  the  lowest  root 
properties.  The  following  conclusions  and 
mean  squared  error  (RMSE)  particularly  during  the 
recommendations  could  be  drawn  based  on  previous 
TABLE 1: analysis,  discussions,  deep  investigation,  experiments, 
PERFORMANCE MEASURE FOR TRAINING SET and comparative studies in this work. 
A  new  computational  intelligence  modeling  scheme, 
  MLR  FR  GRNN  FNN  FN  based on the Functional network has been investigated, 
developed  and  implemented,  as  an  efficient  and  more 
Root  MSE  685.08  810.04  21.42  76.68  26.90  accurate  predictive  solution  for  predicting  material 
properties  (strength  of  materials).  Validation  of  the 
Correlation  0.83  0.80  0.99  0.98  0.92  framework is done using published real industrial data. 
R2   In‐depth  comparative  studies  have  been  carried  out 
between  this  new  framework  and  Fuzzy  Neural 
MLR=multiple linear regression, FR=fuzzy regression, 
Networks,  Multiple  Linear  Regression,  Generalized 
GRNN=generalized regression neural network, FNN=fuzzy 
neural networks, FN=functional networks 
 106
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 11, NOVEMBER 2010, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG
Regression  Neural  Network,  and  Fuzzy.  Empirical  Neural  Based  Paradigm,  Kluwer  Academic  Publishers:  New 
results from simulations show that the proposed model  York.  
outperformed all the compared models in all fronts.   12.  Castillo  E.  and  Gutiérrez  J.  M.,  (1998),  “A  Comparison  of 
Considering  the  fact  that  results  presented  in  this  Functional  Networks  and  Neural  Networks,ʺ  In  Proceedings 
work were obtained with only the simplest structures of  of  the  IASTED  International  Conference  on  Artificial 
functional  networks,  it  is  possible  that  a  more  detailed  Intelligence  and  Soft  Computing,  IASTED/ACTA  press,  439–
442.  
study  with  more  complex  forms  of  the  model  will 
13.  Castillo E. and Gutiérrez J. M., (1998), “Nonlinear Time Series 
improve even further on these results, then, as a form of 
Modeling  and  Prediction  Using  Functional  Networks,ʺ 
future  work  recommendations,  we  recommend  that  the  Extracting  Information  Masked  by  Chaos  Physics  Letters  A, 
use of functional networks in other important modeling  Vol , 71–84.  
and forecasting tasks be further investigated.  14.  Castillo E., Cobo A., Gutiérrez J. M., and Pruneda E., (1999), “ 
Working  with  Differential,  Functional  and  Difference 
REFERENCES Equations  Using  Functional  Networks,ʺ  Applied 
Mathematical Modeling, Vol. , 89–107.  
1. O  Asparouhov,  E.  A.  El‐Sebakhy,  ,  K.  Latinski,  and  D.  Wu 
15.  Castillo  E.,  Cobo  A.,  Gómez‐Nesterkín  R.,  and  Hadi  A.  S., 
Functional Networks as a Novel Data Mining Scheme for Prediction 
(1999),  “A  General  Framework  for  Functional  Networks,ʺ 
of Healthcare Outcomes: A Comparative Study with Many Popular 
Networks, , 70–82.  
Statistical\Data  Mining  Procedures.  In  proceeding  of  The  8th 
16.  Castillo E., Gutiérrez J. M., Cobo A. and Castillo C., (2000), “A 
International  Conference  on  Health  Policy  Statistics: 
Minimax Method for Learning Functional Networks,ʺ Neural 
Quantitative  insights  and  advances  in  health  policy  analysis. 
Processing Letters, Vol. , 39–49.  
ICHPS2010: Washington D.C. ,2010. 
17.  Castillo  E.,  Gutiérrez  J.  M.,  and  Hadi  A.  S.,  (1997),  Expert 
2. Q., Hancheng, X., Bocai, L. Shangzheng, and, W. Fagen,. Fuzzy 
Systems  and  Probabilistic  Network  Models,  Springer  Verlag, 
neural  network  modeling  of  material  properties.  Journal  of 
New York.  
Materials Processing Technology (Elsevier). 2002 
18. Castillo E., Gutiérrez J. M., Hadi  A. S., and Lacruz P., (2001), 
3. M.  Bruen  and  J.  Yang,  (2005).  Functional  networks  in  real‐time 
“Some Applications of Functional Networks in Statistical and 
flood  forecasting—a  novel  application.  Journal  of  Advances  in 
Engineering,ʺ Technometrics, , 10–24.  
Water  Resources  (Elsevier).,  Volume  28,  Issue  9,  September 
 
2005, Pages 899‐909. 
S.O.  Olatunji  received  the  B.Sc.  (Hons)  Degree  in  Computer 
4. E.  A.,  El‐Sebakhy  (2008).  Software  reliability  identification  using 
Science,  Ondo  State  University  Ado  Ekiti,  Nigeria  (1999),  M.Sc. 
functional  networks:  A  comparative  study.  Journal  of  Expert  Computer  Science,  University  of  Ibadan,  Nigeria  (2003),  M.S. 
Systems with Applications Volume 36, Issue 2, Part 2, March  Degree  in  Information  and  Computer  Science,  King  Fahd 
2009, Pages 4013‐4020.  University  of  Petroleum  and  Minerals  (KFUPM),  Saudi  Arabia 
5. A. E., El‐Sebakhy S. A., Hadi and A. K.,  Faisal (2007). Iterative  (2008). He is currently pursuing his Phd in Computer Science. He is 
Least  Squares  Functional  Networks  Classifier;  IEEE  a member of ACM and IEEE. He has several years of experience as 
Transactions Neural Networks, vol.18, no. 2, March 2007.  a  lecturer  of  computer  science,  and  authored  several  research 
6. Griffin J.A., Bates C.E, (1995). Predicting in situ gray cast iron  papers. He is currently a PhD candidate at the Faculty of Computer 
properties:  effects  of  pouring  temperature  and  manganese  Science and Information Systems, Universiti Teknologi Malaysia. 
and sulfur concentrations, AFS Trans. 103: 221–225.   
7.   Fan  Zhikang  and  Huang  Huisong,  (1991).  Application  of  Akeem  Olowolayemo,  is  a  Research  Assistant  at  the  Intelligent 
fuzzy  regression  in  improving  the  structure  of  grey  cast  iron  Environment Research Group (INTEG), KICT, International Islamic 
with  high  carbon  equivalent,  Foundry  12  (1991)  9–13  (in  University Malaysia. He holds a B.Sc. (Hons) Degree in Computer 
Science, from Obafemi Awolowo University Ile‐Ife, Nigeria (2000), 
Chinese). 
a Masters (MIT) Degree in Information Systems, from International 
8.  Yao  R.B.,  C.X.  Tang,  G.X.  Sun,  Predicting  gray  cast  iron 
Islamic  University  Malaysia  and  currently  pursuing  a  PhD  (IT)  in 
properties  with  artificial  neural  network,  AFS  Trans.  104 
the  same  University.  His  research  interests  include  Location 
(1996) 635–642. 
Awareness, Machine Learning and Natural Language. 
9. Castillo  E.,  (1998),  “Functional  networks,ʺ  Neural  Process.   
Letter. 7 (3), 151–159.   Imran  A.  Adeleke  Imran  Adeleke  is  a  PhD  candidate  at  the 
10.  Castillo  E.  and  Ruiz‐Cobo  R.,  (1992),  Functional  Equations  Department  of  information  Systems,  Faculty  of  Computer  Science 
and  Modeling  in  Science  and  Engineering,  Marcel  Dekker  and  Information  Systems,  Universiti  Teknologi  Malaysia.  He 
received  his  MSc  and  BSc  in  Computer  Science  at  University  of 
New York.   Agriculture, Abeokuta and University of Benin, Benin‐city, Nigeria 
11.  Castillo  E.,  Cobo  A.,  Gutiérrez  J.  M.  and  Pruneda  E.,  (1998),  respectively.  He  is  a  member  of  AIS  and  ACM.
Introduction  to  Functional  Networks  with  Applications,  A