Geri Dön

Kontrol ve sistem tanımlama uygulamaları için çok katmanlı dinamik bulanık ağ tasarımları

Multilayer dynamic fuzzy neural network design for control and system identification applications

  1. Tez No: 373602
  2. Yazar: SEVCAN YILMAZ
  3. Danışmanlar: PROF. DR. YUSUF OYSAL
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: Türkçe
  9. Üniversite: Anadolu Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 121

Özet

Bu tezde, üç farklı yeni nöro-bulanık sinir ağı modeli, sistem tanıma ve kontrol problemleri için önerilmektedir. Önerilen modellerin yapısı, bilinmeyen bir fonksiyonun giriş-çıkış verilerinden bulanık kural tabanı elde etmek için kullanılan adaptif nöro bulanık çıkarım sistemi (ANFIS) fikrinden gelmektedir. Birinci model, tip-2 bulanık dalgacık sinir ağı (T2FWNN) 'dır. T2FWNN yapısında, kuralların üyelik fonksiyonları alışılmış bulanık kümelerden farklı olarak zaman ve frekansta yerellik özelliklerine sahip tip-2 dalgacık fonksiyonları ile temsil edilmektedir. Kuralların sonuç kısmında ise dalgacık fonksiyonlarının ağırlıklı toplamı kullanılmıştır. İkinci model, dinamik adaptif nöro bulanık çıkarım sistemi (DANFIS) 'dir. DANFIS, her bir kuralın sonuç bölümünde sabit terim ile birlikte yerel lineer dinamikleri içeren Takagi-Sugeno afin bulanık model bir sinir ağının temsilidir. Böylece, DANFIS ile lineer olmayan dinamik bir sistemin iç davranışının modellenmesi mümkün olacaktır. DANFIS'te, üyelik fonksiyonu olarak Gauss fonksiyonları kullanılmıştır ve kuralların sonuç kısmı ise girişlerin lineer diferansiyel denklemi ile temsil edilmektedir. DANFIS'e ait uygun parametreler gradyan tabanlı öğrenme algoritması ve ek duyarlılık analizi ile belirlenir. Tezin üçüncü bölümünde DANFIS modelinden farklı olarak dalgacık fonksiyonları üyelik fonksiyonu olarak kullanılmaktadır ve yeni ağ dinamik bulanık dalgacık sinir ağı (DFWNN) olarak adlandırılmıştır. Simülasyon sonuçları, önerilen T2FWNN, DANFIS, DFWNN modellerinin etkinliğini göstermek için, sistem tanıma ve kontrol problemleri için verilmiştir.

Özet (Çeviri)

In this thesis, three different new neuro-fuzzy neural network models have been proposed for system identification and control problems. The structure of introduced models comes from the idea of adaptive neuro-fuzzy inference system (ANFIS) which is used for obtaining fuzzy rule base from the input-output data of an unknown function. The first model is type-2 fuzzy wavelet neural network (T2FWNN). In the T2FWNN structure, membership functions of fuzzy rules are represented with type-2 wavelet functions which have time and frequency localization properties, unlike the conventional fuzzy sets. In the consequent part of the rules, the weighted summation of wavelet functions is used. The second model is dynamic adaptive neuro-fuzzy inference system (DANFIS). DANFIS is a neural network representation of Takagi-Sugeno affine fuzzy model that incorporates local linear dynamics with bias terms into consequent parts of each fuzzy rule. Thus, the internal behavior of a nonlinear dynamical system will be able to be modeled with DANFIS. In DANFIS, Gaussian functions are used as membership functions and consequent part of the rules are represented with linear differential equation of the inputs. The suitable parameters of DANFIS are determined by gradient based training algorithm and adjoint sensitivity method. In the third model, wavelet functions are used as membership function different than DANFIS model and new network is called as dynamic fuzzy wavelet neural network (DFWNN). Simulation results are given to demonstrate the effectiveness of the proposed T2FWNN, DANFIS, DFWNN models for system identifications and control problems.

Benzer Tezler

  1. Application of lightweight cryptography techniques in internet of things scenarios

    Nesnelerin interneti senaryolarında hafif kriptografi tekniklerinin uygulanması

    ÖZLEM ŞEKER

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN DALKILIÇ

  2. Çimento endüstrisindeki harmanlama projesinin değişik tipte yapay sinir ağları ile tanılanması ve kıyaslanması

    The Identification and comparison of the blending process in cement industry with various type of neural networks

    GÜVEN EMRE

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. CAN ÖZSOY

  3. State of charge estimation of lithium-ion batteries using machine learning approach

    Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini

    OSMAN ALPER ALTUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİNE AYAZ

  4. Modelling and analyses of damped multi-layered structures

    Sönümlü çok katmanlı yapıların modellenmesi ve analizleri

    MEHMET SAİT ÖZER

    Doktora

    İngilizce

    İngilizce

    2021

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. KENAN YÜCE ŞANLITÜRK

  5. Model based diagnosis of the oxygen sensors

    Oksijen algılayıcıların model tabanlı arıza teşhisi

    KÜBRA EKİNCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞENİZ ERTUĞRUL