RTFA ile sistem tanıma ve nöral-bulanık kontrol-
Başlık çevirisi mevcut değil.
- Tez No: 55615
- Danışmanlar: DOÇ.DR. İBRAHİM KESKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1996
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
ÖZET Bu çalışmada, Bölüm-2'de Yapay Sinir Ağı'nın bir türü olan Radyanlı Tabanlı Fonksiyonlar Ağı (RTF A) tanıtılmış ve bu ağ için bugüne kadar literatürde geliştirilen öğrenme algoritmalarına bir seçenek olarak, Zekeriya Uykan ve Cüneyt Güzeliş tarafından dört farklı şekilde uygulanabilen yeni bir öğrenme yöntemi (Giriş-Çıkış uzayında öbekleme, GÇÖ) önerilmiştir. Bölüm-3'te doğrusal olmayan sistem tanımı ile ilgili, a) Polinom Yöntemi (Chen ve Billings, 1 989), b) RTFA Yöntemi tanıtılmış ve her iki yöntem için Dik En- Küçük Kareler Yöntemi (Orthogonal Least Squares) ile en uygun terimlerin nasıl seçildiği açıklanmıştır. Literatürde RTFA ile sistem tanımada kullanılan yöntemlere seçenek olarak GÇÖ Yöntemi uygulanmıştır. Ayrıca, sadece örnek giriş-çıkış çiftlerinden yararlanarak, RTFA'da merkezler belli olmak üzere istenen performansın (belirlenen amaç ölçütünün) sağlanabilmesi için saklı katmanda kullanılması gereken hücre sayısının belirlenmesinde herhangi bir öğrenme algoritması koşturmaksızın sadece Dik EKY'nin nasıl kullanıldığı açıklanmıştır. Bu yöntem, Çok-Katmanlı Algılayıcı'da saklı katmanlardaki hücre sayılarının belirlenmesinde kullanılan yöntemlere (arındırma, geliştirme) bir seçenek sunar. Bölüm-4'te Bulanık Kontrolör (BK) ve Nöral Kontrolör (NK) arasındaki ilişkiler araştırılmıştır. Bazı kısıtlamalar altında BK ve NK'nin matematiksel olarak eşdeğer olduğu gösterilmiştir. Ayrıca, BK'nin klasik (bulanık olmayan) kontrolörle ilişkisi araştırılmış ve klasik kontrolörün BK'nin özel bir durumu olduğu gösterilmiştir. Bu tür çalışmalarda "BK tasarımında ve BK sistemlerinin kararlılık analizinde klasik kontrol yöntemlerinden yararlanılabilir mi T sorularına cevap aranır. Literatürde bu konudaki yayınların azlığı, bu çalışmaların önemini arttırmaktadır. Bölüm-55te YSA yöntemleri kullanılarak BK tasarımının nasıl yapıldığı açıklanmıştır. Bu tür çalışmaların amacı, birbirinden farklı alanlar gibi görünen YSA ve Bulanık Mantık konularının beraberce ele alınabileceği ve böylelikle biri için geliştirilen bir yöntemin diğeri için de uygulanabileceği bir ortak çalışma alanı oluşturmaktır.
Özet (Çeviri)
SUMMARY SYSTEM IDENTIFICATION USING RBFN AND NEURO-FUZZY CONTROL After McCulloch and Pitts established the basic principles of the Neural Computation in 1943, Hebb's contribution was considered the basis for the development of many Artificial Neural Networks(ANN). The development of the Back Propagation Algorithm for training Feedforward Multi-Layer Neural Networks (MLNN) provided the wide use of ANN in many different areas. : signal processing, robotics, fault diagnosis, control, etc. On the other hand, another important theory, Fuzzy Logic (FL), occured in parallel to the ANN development. The basic principles of FL were introduced by Zadeh in 1965, having its first application to the area of Control Systems in 1975. However Polish mathemetician Lukasiewiecz developed multiple valued locig in 1920's and the key ideas of the theory were thought of by Black in 1937. An alternative to MLNN is the Radial Basis Function Network (RBFN). The RBF method has traditionally been used for strict interpolation in multidimensional space by Powell (1985), Micchelli (1986) and Broomhead and Lowe (1988). The contraction of a RBFN in its most basic form involves three different layers. The input layer is made up of source nodes (sensory units). The second layer is a hidden layer of high enough dimension. The output layer supplies the responce of the network. The transformation from the input space to the hidden-unit space is nonlinear, whereas the transformation from the hidden unit space to the output space is linear. >F(s) Figure- 1) Radial Basis Function Network. An RBF expansion with p-inputs and a scalar output implements a nonlinear mapping according to the nonlinear relationship as shown in (i). viF(X) = g^||S-ci|) (1) where {
Benzer Tezler
- Elektrik devrelerinin yapay sinir ağları ile tanınması ve kontrolü
Identification and control of electrical circuits using neural networks
MEHMET SAMAN
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP DEMİR
- Türkçe fonemlerin sınıflandırılmasında kullanılan sinir ağının FPGA uygulaması
FPGA implementation of a neural network for turkish phoneme classification
ALPER UÇAR
Yüksek Lisans
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ ZİYA ALKAR
- Makine öğrenmesi yöntemleriyle bel bölgesi rahatsızlıklarının tanısı
Diagnosis of lumbar disease by using machine learning techniques
YAVUZ ÜNAL
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HASAN ERDİNÇ KOÇER
DOÇ. DR. KEMAL POLAT
- EEG sinyallerinin dalgacık dönüşümü ve yapay sinir ağları ile analizi
Analysis of EEG signals using the wavelet transform and artificial neural network
İNAYET BURCU TOPRAK
Yüksek Lisans
Türkçe
2007
BiyomühendislikSüleyman Demirel ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF.DR. MUSTAFA MERDAN
- Yapay sinir ağı ve bulanık mantık hibrid yapı ve algoritmalarının geliştirilmesi
Development of artificial neural network-fuzzy logic hybrid structures and algorithms
CANAN ŞENOL
Doktora
Türkçe
2010
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM