Yapay sinir ağları ile sistem tanıma
System idendification with artificial neural networks
- Tez No: 223555
- Danışmanlar: PROF.DR. MÜJDE GÜZELKAYA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Sistem Tanıma, Yapay Sinir Ağları, Hatanın Geriye Yayılımı, System Idendification, Neural Networks, Backpropogation Algorithm
- Yıl: 2006
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, hatanın geriye yayılımı yöntemini kullanan çok katmanlı yapay sinirağlarının sistem tanıma metodu olarak kullanılması incelenmiştir. Giriş ve çıkışdeğerleri bilinen ölü zamanlı lineer bir sistem için parametrik olmayan bir yapay sinirağı modeli elde edilmiş ve bu model diğer sistem tanıma yaklaşımları için elde edilenmodeller ile karşılaştırılmıştır. Karşılaştırma amacı ile parametrik ARX modeli veparametrik olmayan bulanık model elde edilmiştir. Modellenecek sistem hakkında bilgisahibi olunmadığı durumlarda, en iyi modelleme yönteminin yapay sinir ağı olduğugösterilmiştir. Elde edilen lineer ARX modeli klasik bir PID ile, bulanık model bulanık-PID ile, yapay sinir ağı modeli ise öz-uyarlamalı nöro-PID ile kontrol edilmiştir. Enbüyük aşım ve yerleşme zamanı gibi performans kriterleri göz önündebulundurulduğunda, en iyi sonuçların yapay sinir ağına dayanan öz-uyarlamalı nöro-PID ile alındığı gözlenmiştir.
Özet (Çeviri)
In this study, neural networks which use the backpropogation algorithm is examined forthe system idendification problem. A non-parametric model is obtained for the lineersystem which has dead-time with using the pair of input-output values. This model iscompared with parametric ARX model and non-parametric fuzzy model. It is shownthat the best model is obtained with neural networks if there is no information aboutsystem which is modelled. ARX model is driven with classical PID, fuzzy model is drivenwith fuzzy-PID and at last, neural model is driven with self-tuning neural-PID.According to the maximum overshoot and settling time criterion, the best results aretaken from neural model which is driven with self-tuning neural-PID.
Benzer Tezler
- Yapay sinir ağları ve uygulamaları
Başlık çevirisi yok
NURCİHAN ÜNALDI
Yüksek Lisans
Türkçe
1993
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURHAN ÇİFTÇİBAŞI
- Yapay sinir ağlarıyla örüntü tanımanın matris dedektörden alınan görüntülere uygulanması
Application of neural network based pattern recognition to images from a matrix dedector array
OKTAY ÜRETEN
Yüksek Lisans
Türkçe
1994
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDEM YAZGAN
- Yapay sinir ağlarında öğrenme algoritmalarının analizi
Analysis of learning algorithms in neural networks
SEVİNÇ BAKLAVACI
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. LEYLA GÖREN
- Energy related concepts in nonlinear dynamical systems
Başlık çevirisi yok
NESLİHAN SERAP ŞENGÖL
Doktora
İngilizce
1995
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. İ. CEM GÖKNAR
- Identification and control of nonlinear dynamical systems using neural networks
Doğrusal olmayan dinamik sistemlerin yapay sinir ağları ile tanınması ve denetimi
MEHMET ÖNDER EFE
Yüksek Lisans
İngilizce
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiPROF.DR. OKYAY KAYNAK