Geri Dön

Uyarlamalı destek vektör makinesi temelli modelleme ve kontrol

Adaptive support vector machine based modelling and control

PDF İndir

  1. Tez No: 671426
  2. Yazar: ERDEM DİLMEN
  3. Danışmanlar: DOÇ. DR. SELAMİ BEYHAN
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Pamukkale Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 161

Özet

Bu tez çalışmasında amaç; en az kareler temelli destek vektör makinesi modelinde iyileştirmeler yaparak fonksiyon yaklaşıklama başarısını artırmak ve geliştirilen modeli, sınıflandırma, bağlanım ve doğrusal olmayan kontrol için kullanmaktır. Tez çalışması, iki ana bölümden oluşmaktadır. İlk bölümde, destek vektör makinesinin, çekirdek fonksiyon parametresi dahil tüm parametrelerinin her bir örnekleme anında kokusuz Kalman süzgeci kullanılarak eş zamanlı güncellenmesi fikri üzerine kurulu olan uyarlamalı destek vektör makinesi yaklaşımı öne sürülmüştür. Aynı zamanda destek vektör sayısı uyarlamalı olacak şekilde önerilmiştir. İyileştirilen model farklı ölçüt veri kümelerinde sınıflandırma ve tanılama için kullanılmıştır. İkinci bölümde, destek vektör makinesi yapısal olarak geliştirilmiş ve yeni bir özyinelemeli model önerilmiştir. Bu model bir gizli katman ve çıktı katmanından oluşmaktadır. Gizli katman, en güncel gizli öznitelikleri ve güncel girişleri kullanarak güncel gizli öznitelik vektörünü üretir. Bu gizli öznitelikler, çıktı katmanında kullanılarak model çıktısı üretilir. Gizli öznitelik vektörü, doğrusal olan ve doğrusal olmayan şeklinde iki bileşenin toplamının bir Gauss aktivasyon fonksiyonundan geçirilmesiyle elde edilmektedir. Doğrusal olan bileşen, sonsuz darbe cevaplı bir süzgeç iken doğrusal olmayan bileşen en az kareler temelli destek vektör makinesinin ağırlıklandırılmış çıktı vektörüdür. Buna ek olarak, öznitelik vektöründeki her bir öznitelik aynı zamanda destek vektörüdür. Modelin eğitimi, literatürde iyi bilinen ve özyinelemeli ağların eğitiminde standart olan zamanda geri yayılma algoritması kullanılarak yapılmıştır. Önerilen model, kontrol benzetim çalışmasında quadrator tipi bir insansız hava aracının kayan kipli kontrolünde yüksek genlikli ve zamanla değişen bozucu etkilerin kestirimi için kullanılmıştır. Elde edilen sonuçlar, önerilen modelin kestirim başarımının yüksek olduğunu ve bozucu etkinin başarıyla kestirilmesi sayesinde, yüksek doğrulukta referans izleme sonuçları elde edilebildiğini göstermiştir.

Özet (Çeviri)

This thesis study aims improving function approximation capability of least squares support vector machine by making enhancements on it and employing the enhanced model in classification, regression and control. Thesis is composed of two main parts. In the first part, an adaptive support vector machine approach is proposed, which is based on the idea of simultaneous adaptation of all parameters, including the kernel function parameter, using unscented Kalman filter at each sampling time instant. An adaptive support vector size is proposed as well. Enhanced model is employed in classification and regression of some benchmark data sets. In the second part, structural enhancement is made on the support vector machine and it is transformed into a recurrent model. The model is comprised of a recurrent hidden layer and a linear output layer. Hidden layer produces the current hidden feature vector which is computed using the most recent hidden features and the current input. Using those hidden features, model output is produced at the output layer. Hidden fetaure vector is obtained by passing the sum of two components that are referred to as linear part and nonlinear part through a Gaussian activation function. Linear component is an infinite impulse response filter while nonlinear component is the weighted output vector of least squares support vector machine. Each feature in the feature vector is also a support vector. Considering this structure, in the thesis study, a novel recurrent support vector machine is introduced to the literature. Training of the model is performed via backpropagation through time algorithm which is well-known in the literature and standard for training recurrent nets. Proposed model is employed for estimation of time-varying disturbance signals with high magnitude within sliding mode control of a quadrotor unmanned aerial vehicle in simulation. The results obtained show that, estimation performance is high and due to the successive estimation of disturbance, satisfactory results of reference tracking can be attained.

Benzer Tezler

  1. Tez No

    860422

    Optimization-driven data-based constraints identification via explicit mathematical and implicit machine-learning-based constitutives

    Açık matematiksel ve örtülü makine öğrenmesi temelli kurucu özgenlerle eniyileme öncüllü veri tabanlı kısıtlar özdeşimi

    ABDULLAH ALADAĞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Kimya MühendisliğiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞÜKRÜ UĞUR AKMAN

  2. Tez No

    546544

    Emotion aware artificial intelligence for cognitive systems

    Bilişsel sistemler için duygu farkındalıklı yapay zeka

    DEĞER AYATA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  3. Tez No

    756598

    Destek vektör makinesi ile robotik kolların uyarlamalı model öngörülü kontrolü

    Support vector machine based model predictive adaptive control of robotic arms

    SANEM KILIÇASLAN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN GELEN

  4. Tez No

    507966

    Improving data-driven based streamflow forecasting using wavelet transformation

    Dalgacık dönüşümü kullanılarak veriye dayalı akım tahmin modellerinin iyileştirilmesi

    SINAN JASIM HADI AL-DOORI

    Doktora

    İngilizce

    İngilizce

    2018

    İnşaat MühendisliğiAnadolu Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. MUSTAFA TOMBUL

  5. Tez No

    894548

    Su kalitesi indeksinin tahmini için makine öğrenme yöntemlerinin karşılaştırılması: KASKİ örneği

    Comparison of machine learning methods for water quality index estimation: KASKİ example

    NUR ORHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiErciyes Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ALPER ÖNER

Geri Dön