Elektrik devrelerinin yapay sinir ağları ile tanınması ve kontrolü
Identification and control of electrical circuits using neural networks
- Tez No: 134735
- Danışmanlar: DOÇ. DR. YAKUP DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: İYSA, MYSA, RTF A, Nöral Kontrolör, Guasi-Nevton, Geriye Yaydım, Levenberg-Marquardt, Eşlenik Eğim. viü, ANN, FNN, MNN, RBFNN, Neuro-Control, Guasi-Nevton, Backpropagation, Levenberg-Marquardt, Conjugate-Gradient
- Yıl: 2003
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
ÖZET Yüksek Lisans Tezi ELEKTRİK DEVRELERİNİN YAPAY SİNİR AĞLARI İLE TANINMASI VE KONTROLÜ Mehmet SAMAN Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Ana Bilim Dalı 2003, Sayfe: 84 Klasik ve modem kontrol teorisi lineer modeller temeline dayanmaktadır. Fakat pratikte sistemlerin genellikle lineer olmaması, lineer kontrol teorisinin başarılı uygulamalarım yapmak için büyük engel teşkil etmektedir. Doğal olarak lineer olmayan dönüşüm kabiliyetlerine sahip olan yapay sinir ağlan (YSA), lineer olmayan tanıma ve kontrol problemlerine güçlü ve alternatif bir çözüm getirmiştir. Literatürde YSA'lann farklı yapılan mevcuttur. Bu tezde ileri beslemeli yapay sinir ağlan (İYSA), radyal tabanlı yapay sinir ağlan (RTF A) ve modüler yapay sinir ağlan (MYSA) ele alınmıştır. İYSA'lar sistem tanımada oldukça iyi performans gösterirler fakat eğitim süreleri uzundur. İYSA'larm tanıma performansı farklı eğitim algoritmaları kullanılarak düzeltilebilir. Bu çalışmada İYSA'larm eğitimi için geriye yaydım, Levenberg Marquard, Gauss Newton ve eşlenik iniş algoritmaları ele alınmış ve simülasyon sonuçlan ile birlikte tartışılmıştır. MYSA'lar her parçayı tanımak amacıyla farklı yapılan ve öğrenme algoritmalarım birlikte kullanabildikleri için, İYSA'lara göre daha az sürede eğitilmelerine rağmen, sadece parça parça doğrusal karakteristiğe sahip olan sistemlerin tanınmasında İYSA'lardan daha iyi performans gösterirler. Eğitimi diğer ağlara göre oldukça hızlı olan RTFA'lann tanıma performansı ise radyal taban fonksiyonlarının parametrelerine ve lineer ağırlıklara göre değişmektedir. Ele alman eğitim yöntemlerine ve YSA'lann lineer olmayan sistemleri güçlü bir şekilde tanıma yeteneğine dayanarak sistem tersini elde etme ile kontrol içten model tabanlı kontrol, optimal VMkontrol ve tahmini kontrol yaklaşımları Üe kontrolör tasarmu yöntemleri örnek elektrik devrelerine uygulanmış ve simülasyon sonuçlan ile ele alınmıştır.
Özet (Çeviri)
ABSTRACT Master Thesis IDENTIFICATION AND CONTROL OF ELECTRICAL CIRCUITS USING NEURAL NETWORKS Mehmet SAMAN Fırat University Institute of Scientific Department of Electrical-Electfonic 2003, Page:84 A classical and modem control theory are based upon linear models. However, the feet that most practical systems are nonlinear constitutes an enormous difficulty for doing successfully many applications. Using artificial neural networks (ANNs) that have naturally nonlinear mapping capability is an alternative and powerful solution to nonlinear control and identification problems. Different architectures of ANNs have been used in the literature. In this thesis, three different ANNs architectures are covered: feedforward neural networks (FNNs), radial basis function neural network (RBFNN), and modular neural networks (MNNs). Although FNN gives good performances in system identification, long training time for its learning İs required. The learning algorithms are used to improve their identification performances. Levenberg Marquard, Gauss-Newton, and Conjugate Gradient here are taking into consideration and discussed by the simulation results. When MNNs are compared with FNNs, they provides more performances than FNNs for only piece-wise linear system in term of less training time. Because MNNs combines different the learning algorithms and ANNs architectures. On the other hand, RBFNN trains in very small time and their performances changes according to their linear weights and radial basis functions parameters.Based on these learning methods and identification capability nonlinear system of ANNs, inverse control, internal model based control, optimal control and predictive control methodologies are applied on the example electrical circuits and excessive simulation results are discussed in this thesis.
Benzer Tezler
- Group authentication for next generation networks
Gelecek nesil ağlarda grup kimlik doğrulaması
YÜCEL AYDIN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Yapay sinir ağları ile Smith abağı modeli
Smith chart modeling by artificial neural networks
MEHMET FATİH ÇAĞLAR
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FİLİZ GÜNEŞ
- Approximate artificial neural network hardware aware synthesis tool
Yaklaşık yapay sinir ağı için donanıma duyarlı sentez aracı
MOHAMMADREZA ESMALI NOJEHDEH
Doktora
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ALTUN
- CMOS (K-) winner(s)-take-all circuits of O(N) complexity
O(N) karmaşıklığında CMOS (K-)-kazanan-hepsini-alır devreleri
BARBAROS ŞEKERKIRAN
Doktora
İngilizce
1999
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. UĞUR ÇİLİNGİROĞLU