Learning general type-2 fuzzy logic systems for uncertainty quantification
Belirsizlik nicelleştirilmesi için genel tip-2 bulanik mantik sistemlerinin öğrenilmesi
- Tez No: 955264
- Danışmanlar: PROF. DR. TUFAN KUMBASAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 91
Özet
Derin öğrenme, karmaşık mimariler tasarlama ve bu mimariler aracılığıyla yüksek performans seviyelerine ulaşma konusunda sunduğu olağanüstü esneklik sayesinde, günümüzde bilgisayarlı görü, doğal dil işleme, büyük dil modellerinin geliştirilmesi, otonom sürüş sistemleri ve ileri robotik uygulamaları gibi son derece çeşitli ve etki alanı geniş disiplinlerde yaygın bir şekilde kendine yer bulmuştur. Bu teknolojinin sağladığı ilerlemeler, daha önce çözülmesi güç olarak kabul edilen birçok probleme yenilikçi çözümler getirmiş ve bu alanlarda adeta bir paradigma değişimine yol açmıştır. Bu başarının doğal bir sonucu olarak, derin öğrenme modellerini, karar verme süreçlerinin kritik olduğu ve hataların ciddi sonuçlar doğurabileceği tıbbi tedavi protokollerinin belirlenmesi veya finansal piyasalardaki risk analizleri gibi yüksek risk taşıyan hassas alanlarda dahi uygulamaktan giderek daha az çekinir hale geldik. Ancak, bu iddialı ve umut verici hedeflere ulaşma çabalarımız, geliştirdiğimiz modellerin karşılaştıkları farklı ve beklenmedik koşullar altında tutarlı ve güvenilir sonuçlar üretememesi durumunda ne yazık ki başarısızlıkla sonuçlanma riski taşımaktadır. Tam da bu kritik noktada, belirsizlik tahmini kavramı hayati bir öneme sahip olmaktadır. Zira belirsizlik tahmini, modellerimizin ürettiği tahminlere ne ölçüde ve hangi koşullar altında güvenebileceğimiz konusunda bize değerli bilgiler sunmakla kalmaz, aynı zamanda sistemin normal çalışma koşullarının dışına çıkan anomalileri, veri kümesindeki genel dağılıma uymayan aykırı değerleri ve modelin daha önce karşılaşmadığı, eğitim veri setinin dağılımından farklı olan dağılım dışı örnekleri etkin bir şekilde tanımlamamıza ve yönetmemize olanak tanır. Bu sayede, modellerin güvenilirliği artırılır ve potansiyel riskler en aza indirilir. Son yıllarda gerçekleştirilen akademik çalışmalarda, belirsizlik tahmininin önemi giderek daha fazla anlaşılmış ve bu alanda çeşitli derin öğrenme modelleri başarıyla kullanılmıştır. Bu modeller arasında Bayesci sinir ağları, derin topluluklar, Monte Carlo seyreltme tekniği, Gauss süreçleri ve kantil regresyonu gibi farklı yaklaşımlar öne çıkmaktadır. Örneğin, Bayesci sinir ağları, geleneksel sinir ağlarındaki deterministik ağırlıkların aksine, ağın ağırlıklarını olasılık dağılımları olarak modelleyerek bir belirsizlik ölçüsü sunar. Bu yaklaşım, ağırlıklar üzerindeki sonsal dağılımları yakalayarak modelin tahminlerindeki güven aralığını belirlemesine olanak tanır. Ancak, Bayesci sinir ağlarının bu sofistike yapısı, özellikle büyük ölçekli ve yüksek boyutlu veri kümeleriyle çalışıldığında, önemli bir hesaplama maliyeti ve eğitim sürecinde kararlılık sorunları gibi pratik zorlukları da beraberinde getirmektedir. Diğer bir popüler yaklaşım olan kantil regresyonu ise, tek bir model kullanılarak ve görece basit kayıp fonksiyonları tanımlanarak kolayca uygulanabilir olmasıyla dikkat çeker. Ayrıca, kantil regresyonu büyük veri kümeleriyle çalışırken ölçeklenebilirlik açısından da avantajlıdır ve farklı kantil değerleri için tahminler üreterek belirsizlik aralıkları oluşturulmasına imkan tanır. Bu çeşitli yöntemlerin yanı sıra, tip-2 bulanık mantık sistemleri, belirsizlik tahmini konusunda dikkate değer ve güçlü adaylar olarak ön plana çıkmaktadır. Yapılan araştırmalar, tip-2 bulanık mantık sistemlerinin,“belirsizlik ayak izi”olarak adlandırılan ve modelin doğasında bulunan yapısal bir serbestlik derecesi sayesinde, karşılaşılan çeşitli belirsizlik türlerini etkili bir şekilde ele alma ve modelleme kapasitesine sahip olduğunu açıkça ortaya koymuştur. Özellikle son dönemdeki çalışmalarda, genel tip-2 bulanık mantık sistemlerinin daha basitleştirilmiş ve hesaplama açısından daha verimli versiyonları olan aralık tip-2 bulanık mantık sistemleri, bir yandan yüksek doğrulukta noktasal tahminler üretirken, diğer yandan da modelin tahminlerindeki belirsizliği başarılı bir şekilde modellemek amacıyla sıklıkla kullanılmıştır. Bu ikili amaca ulaşmak için, aralık tip-2 bulanık mantık sistemlerinin tip-indirgenmiş kümesi, genellikle bir pinball kayıp fonksiyonu aracılığıyla belirsizlik aralıklarını öğrenmek ve tahmin etmek için kullanılır. Eş zamanlı olarak, aralık tip-2 bulanık mantık sistemlerinin ürettiği net çıktı değeri, uygun bir ampirik kayıp fonksiyonu tanımıyla birleştirilerek noktasal tahminlerin doğruluğunu artırmak için kullanılır. Bu iki farklı amaç için tanımlanan kayıp fonksiyonlarının bir araya getirilmesiyle de bileşik bir kayıp fonksiyonu oluşturulur. Daha da ötesi, genel tip-2 bulanık mantık sistemleri, ikincil üyelik fonksiyonlarının sahip olduğu esnek şekil ve boyut özelliklerinden faydalanarak hem güvenilir tahmin aralıkları üretme hem de son derece doğru noktasal tahminler elde etme potansiyelini taşımaktadır. İkincil üyelik fonksiyonlarının noktasal tahminler için kullanılmasının, sistemin hem belirsizliği etkin bir şekilde yönetmesine hem de yüksek doğruluk seviyelerine ulaşmasına olanak tanıyan verimli bir strateji olduğu çeşitli çalışmalarla kanıtlanmıştır. Literatürdeki çoğu çalışmada, genel tip-2 bulanık kümeler kavramını ilk olarak Lotfi A. Zadeh tanımlamış olmasına rağmen, Mendel ve John tarafından önerilen tanıma dayanan genel tip-2 bulanık kümelerin daha yaygın olarak kullanıldığı görülmektedir. Bu durumun temel nedeni, genel tip-2 bulanık kümelerin 𝛼-düzlem gösteriminin sunduğu kolaylıklardır. Bu gösterim, ikincil üyelik fonksiyonunun parametrelendirilmesini önemli ölçüde basitleştirmekte ve bir genel tip-2 bulanık mantık sisteminin, bir dizi 𝛼-düzlem ilişkili aralık tip-2 bulanık mantık sistemine denk olduğunu göstermektedir. Ancak, Mendel ve John'un tanımında, özellikle ikincil üyelik fonksiyonlarının birincil üyelik fonksiyonlarına doğrudan ve kaçınılmaz bir şekilde bağımlı olması gibi bazı önemli dezavantajlar tespit ettik. Bu tanıma göre, ikincil üyelik fonksiyonlarını tanımlayabilmek için öncelikle birincil üyelik fonksiyonlarının belirlenmiş olması gerekmektedir. Bu sıkı bağımlılığın, genel tip-2 bulanık mantık sistemlerinin öğrenme performansını potansiyel olarak kısıtlayabileceğine ve aynı zamanda genel tip-2 bulanık kümelerin tasarım esnekliğini olumsuz yönde etkileyebileceğine inanmaktayız. Bu yüksek lisans tez çalışmasında, genel tip-2 bulanık kümelerin tanımını, kavramın öncüsü olan Zadeh tarafından orijinal olarak ortaya konduğu şekliyle yeniden ele alıyor ve bu tanımın potansiyel avantajlarını araştırmayı hedefliyoruz. Bu doğrultuda, ilk olarak Zadeh'in genel tip-2 bulanık kümeler için önerdiği orijinal tanımı detaylı bir şekilde sunuyoruz. Bu tanımın getirdiği en önemli avantajlardan biri, genel tip-2 bulanık kümelerin ikincil üyelik fonksiyonlarının, birincil üyelik fonksiyonlarına herhangi bir zorunlu bağımlılık olmaksızın, daha serbest ve esnek bir şekilde tasarlanabilmesine olanak tanımasıdır. Bu bağlamda, her biri kendi başına birer tip-1 bulanık küme olan hem ikincil üyelik fonksiyonları hem de birincil üyelik fonksiyonları için gerekli matematiksel temelleri ve formülasyonları öneriyoruz. Ardından, Zadeh'in tanımına dayanan genel tip-2 bulanık mantık sistemlerinin çıktısını anlamlı bir şekilde tanımlayabilmek amacıyla, literatürde yaygın olarak kabul gören 𝛼-düzlem gösterimini Zadeh'in genel tip-2 bulanık kümelerine entegre ediyoruz. Bu entegrasyonun devamında, ikincil üyelik fonksiyonunun 𝛼-kesitlerini tanımlıyor ve bu kesitlerden hareketle, Zadeh'in genel tip-2 bulanık kümesinin farklı 𝛼-düzlemlerine karşılık gelen eşdeğer alt ve üst üyelik fonksiyonlarını matematiksel olarak türetiyoruz. Elde edilen bu üyelik dereceleri, 𝛼-düzlem yaklaşımına dayanılarak formüle edilen genel tip-2 bulanık mantık sisteminin nihai çıktısını hesaplamak için doğrudan ve etkin bir şekilde kullanılmaktadır. Bu yaklaşımın, modelleme esnekliğini artırdığına ve öğrenme verimliliğini olumlu yönde etkilediğine inanıyoruz. Ayrıca, bulanık mantık sistemlerinde, özellikle kural tabanının büyümesiyle birlikte ortaya çıkan ve“boyutsallık laneti”olarak bilinen önemli bir problemi ele almak üzere özgün bir yöntem geliştiriyoruz. Önerdiğimiz bu yöntem, girdi uzayının boyutlarına bağlı olarak birincil üyelik derecelerini dinamik bir şekilde ayarlamakta ve böylece yüksek boyutlu veri kümeleriyle çalışırken karşılaşılan zorlukların etkili bir şekilde üstesinden gelinmesine yardımcı olmaktadır. Ek olarak, genel tip-2 bulanık kümelerin matematiksel tanımlarının ve varsayımlarının ihlal edilmemesini garanti altına almak amacıyla çeşitli parametrelendirme hileleri öneriyoruz. Bu hileler, karmaşık kısıtlamalara sahip olabilecek optimizasyon problemini, kısıtsız bir optimizasyon problemine dönüştürmemize olanak tanımakta ve bu sayede derin öğrenme alanında yaygın olarak kullanılan optimize edicilerin ve otomatik farklılaştırma yöntemlerinin verimli bir şekilde uygulanabilmesini mümkün kılmaktadır. Bu tez kapsamında, Zadeh'in tanımına dayanan ve aynı anda hem doğruluk hem de belirsizlik üzerine odaklanan, yani“çift odaklı”genel tip-2 bulanık mantık sistemlerini öğrenebilmek için kapsamlı bir derin öğrenme çerçevesi öneriyoruz. Bu çerçeve içerisinde, öncelikle bileşik bir kayıp fonksiyonu tanımlıyor ve bu fonksiyon dahilinde, her bir 𝛼𝑘 -düzlemi ile ilişkilendirilmiş olan aralık tip-2 bulanık mantık sistemlerine farklı ve belirgin roller atıyoruz. Tanımladığımız bu bileşik kayıp fonksiyonu, temel olarak iki ana bileşenden oluşmaktadır: bunlardan ilki modelin tahminlerindeki belirsizliği, ikincisi ise tahminlerin doğruluğunu hedeflemektedir. Her iki önemli yönü de etkin bir şekilde ele alabilmek amacıyla, ikincil üyelik fonksiyonunun esnek şekil ve boyut özelliklerinden yararlanarak iki farklı kayıp tanımı sunuyoruz. Önerdiğimiz her iki kayıp tanımı için de, bileşik kayıp fonksiyonunun belirsizlik bileşeninde, belirli bir güven seviyesi (𝛼0) için üst ve alt kantil seviyelerini tahmin ederek güvenilir bir tahmin aralığı öğrenmek amacıyla, yalnızca 𝛼0-düzlemiyle ilişkili aralık tip-2 bulanık mantık sisteminin tip-indirgenmiş kümesini kullanıyoruz. Diğer yandan, bileşik kayıp fonksiyonunun doğruluk bileşeni için ise iki alternatif kayıp fonksiyonu tanımlıyoruz. Bu alternatiflerden ilkinde, genel tip-2 bulanık mantık sisteminin doğrudan çıktısını bir noktasal tahminleyici olarak kullanırken; ikincisinde ise, belirli bir 𝛼𝑘 -düzlemiyle ilişkili aralık tip-2 bulanık mantık sisteminin çıktısını noktasal tahminler için temel alıyoruz. Bu teorik altyapıyı oluşturduktan sonra, Zadeh'in tanımına dayanan genel tip-2 bulanık mantık sistemlerinin, özellikle yüksek boyutlu ve karmaşık veri kümeleri üzerindeki karşılaştırmalı performans analizini sunuyoruz. Bu analizde, önerdiğimiz sistemleri, literatürde yaygın olarak kullanılan Mendel ve John'un tanımına dayanan genel tip-2 bulanık mantık sistemleri ve daha basit yapıdaki aralık tip-2 bulanık mantık sistemleri gibi benzerleriyle kıyaslıyoruz. Elde edilen istatistiksel sonuçlar, Zadeh'in tanımına dayanan genel tip-2 bulanık mantık sistemlerinin, hem son derece yüksek doğrulukta noktasal tahminler elde etme hem de belirli bir kapsama düzeyinde belirsizliği etkin bir şekilde yakalayan dar ve dolayısıyla yüksek kaliteli tahmin aralıkları üretme konusunda etkili ve güçlü bir yaklaşım olarak hizmet edebileceğini açıkça göstermektedir. Bu tez çalışmasında ayrıca, Zadeh'in genel tip-2 bulanık mantık sistemlerine dayanan ve veri dağılımının tüm kantil seviyelerini aynı anda tahmin ederek ters birikimli dağılım fonksiyonunu öğrenmeyi amaçlayan yenilikçi bir derin öğrenme çerçevesi daha sunuyoruz. Önerdiğimiz bu yaklaşımın en önemli avantajlarından biri, araştırmacıların veya uygulayıcıların farklı güven aralıkları veya kapsama düzeyleri için, her biri belirli bir kantil çiftine karşılık gelen çok sayıda ayrı eğitim süreci yürütme ihtiyacını ortadan kaldırmasıdır. Bunun yerine, model tek bir kapsamlı eğitim sürecinden geçtikten sonra, elde edilen ters birikimli dağılım fonksiyonu üzerinden istenilen herhangi bir kantil çifti seçilerek, arzu edilen güven düzeyini sağlayan bir tahmin aralığı kolaylıkla ve hızla oluşturulabilir. Bu esnekliği sağlamak amacıyla, genel tip-2 bulanık mantık sisteminin çıktı formülasyonunu, 𝛼 = 𝜏 şeklinde bir atama yaparak, sistemin belirli bir kantil seviyesi olan 𝜏'yu öğrenmeye zorlayacak şekilde yeniden düzenliyoruz. Bu sayede, 𝛼-düzlemi ile ilişkilendirilmiş her bir aralık tip-2 bulanık mantık sisteminin çıktısı, farklı bir kantil seviyesine karşılık gelen bir fonksiyonu öğrenmek üzere ayarlanmış olur. Genel bir tip-2 bulanık mantık sistemi kullanarak ters birikimli dağılım fonksiyonunu etkin bir şekilde öğrenebilmek için, eğitim verilerinden rastgele kantil seviyeleri örnekleyerek eş zamanlı kantil regresyonu yaklaşımını yeniden formüle ediyor ve modelimize uyarlıyoruz. Öğrenme sürecini daha da iyileştirmek ve modelin özellikle zorlandığı bölgelerde daha iyi performans göstermesini sağlamak amacıyla,“uyarlanabilir eş zamanlı kantil regresyonu”adını verdiğimiz özgün bir yaklaşım geliştiriyoruz. Bu yaklaşım, eğitim süreci sırasında bir yanlış kalibrasyon ölçüsünü dinamik olarak dahil etmekte ve bu ölçüye dayanarak, modelin tahminlerinin gerçek değerlerden saptığı, yani yanlış kalibrasyonun yüksek olduğu bölgelerden ek kantil seviyeleri üretmemize olanak tanımaktadır. Bu sayede, üretilen bu ek kantil seviyelerinin genel tip-2 bulanık mantık sistemi tarafından daha etkili bir şekilde öğrenilmesi ve modelin genel performansının artırılması hedeflenmektedir. Son olarak, önerdiğimiz bu kapsamlı yöntemin üstünlüğünü ve etkinliğini kanıtlamak amacıyla, elde ettiğimiz sonuçları, literatürdeki en güncel ve en başarılı derin öğrenme tabanlı belirsizlik ve kantil tahmin yöntemleriyle kapsamlı bir şekilde karşılaştırıyor ve önerimizin avantajlarını ortaya koyuyoruz.
Özet (Çeviri)
Deep learning has been widely used in various domains such as computer vision, natural language processing, large language models, autonomous driving, and robotics because it provides us with the flexibility to design complex architectures and achieve high performance. Consequently, we no longer hesitate to apply these models in high-risk areas like medical treatment and finance. However, these ambitions will fall short if our models yield unreliable outcomes under diverse conditions. In this context, uncertainty estimation becomes crucial: it tells us when to trust our predictions and helps us handle anomalies, outliers, and out-of-distribution examples. In recent studies, different deep learning models such as bayesian neural networks, deep ensembles, monte carlo dropout, gaussian processes, and quantile regression have been used for uncertainty estimation. For example, bayesian neural networks model the weights of a neural network as probability distributions, providing uncertainty by capturing posterior distributions over weights. However, this approach comes with a high computational cost and stability issues on large-scale datasets. On the other hand, quantile regression is easy to implement with a single model and simple loss functions, and it also scales well with large datasets. Type-2 fuzzy logic systems can be great candidates for estimating uncertainty. It has been shown that type-2 fuzzy logic systems are capable of handling uncertainties through their inherent structural model, which provides a degree of freedom, referred to as the footprint of uncertainty, for modeling these uncertainties. In recent studies, interval type-2 fuzzy logic systems, which are simplified versions of general type-2 fuzzy logic systems, have been used for modeling uncertainty while simultaneously generating highly accurate predictions. To achieve this, the type-reduced set of interval type-2 fuzzy logic systems is employed to estimate uncertainty through a pinball loss. On the other hand, the output of interval type-2 fuzzy logic systems is used for point-wise estimation with an appropriate empirical loss definition, resulting in a composite loss function. Furthermore, general type-2 fuzzy logic systems are also utilized to generate reliable prediction intervals and estimate highly accurate predictions by exploiting the shape and size of the secondary membership functions. It has been shown that using the secondary membership functions for point-wise predictions offers an efficient way to handle both uncertainty and accuracy. In most studies, general type-2 fuzzy sets, based on Mendel and John's definition, are widely used, although Zadeh first defined the concept of general type-2 fuzzy sets. This is due to the 𝛼-plane representation of general type-2 fuzzy sets, which facilitates the parameterization of the secondary membership function and demonstrates the equivalence between a general type-2 fuzzy logic system and a set of 𝛼-plane associated interval type-2 fuzzy logic systems. However, we identify some drawbacks in this definition, particularly regarding the direct dependency of the secondary membership functions on the primary membership functions. To define the secondary membership functions, the primary membership functions must first be defined. We believe this dependency could potentially reduce the learning performance of general type-2 fuzzy logic systems and also affect the design flexibility of general type-2 fuzzy sets negatively. In this master's thesis, we revisit the definition of general type-2 fuzzy sets as originally defined by Zadeh. We first present Zadeh's definition of general type-2 fuzzy sets. This structure offers the flexibility to design the secondary membership functions of general type-2 fuzzy sets without depending on the primary membership functions. In this context, we propose the mathematical foundations of both the secondary and primary membership functions, each of which is a type-1 fuzzy set. Afterwards, to define the output of Zadeh's general type-2 fuzzy logic systems, we integrate the 𝛼-plane representation into Zadeh's general type-2 fuzzy sets. Subsequently, we define the 𝛼-cuts of the secondary membership function and extract the equivalent lower and upper membership functions corresponding to the 𝛼-planes of Zadeh's general type-2 fuzzy set. These membership grades are then directly used to calculate the output of the general type-2 fuzzy logic system, which is formulated based on the 𝛼-plane approach. This approach enhances modeling flexibility and learning efficiency. Furthermore, we develop a method to address the curse of dimensionality problem that arises in fuzzy logic systems due to the rule firing strengths. This method adjusts the primary membership grades based on the input dimensions, effectively overcoming the challenges associated with high-dimensional datasets. Additionally, we propose parameterization tricks to ensure that the definitions of general type-2 fuzzy sets are not violated. These tricks allow us to formulate an unconstrained optimization problem, which can be efficiently handled using deep learning optimizers and automatic differentiation methods. We propose a deep learning framework to learn dual-focused Zadeh's general type-2 fuzzy logic systems. In this context, we first assign distinct roles to the interval type-2 fuzzy logic systems associated with each 𝛼𝑘 -plane within a composite loss function. This loss function consists of two components, simultaneously focusing on uncertainty and accuracy. To address both aspects, we present two loss definitions, leveraging the shape and size of the secondary membership function. For both loss definitions, we use only the type-reduced set of the 𝛼0-interval type-2 fuzzy logic system to learn the prediction interval by estimating the upper and lower quantile levels for a given confidence level in the uncertainty component of the composite loss function. On the other hand, for the accuracy component, we define two loss functions. For the first, we utilize the output of the general type-2 fuzzy logic system, and for the second, we use the output of the 𝛼𝑘 -plane interval type-2 fuzzy logic system as a point-wise estimator. Then, we present the comparative performance analysis of Zadeh's general type-2 fuzzy logic systems on high-dimensional datasets by comparing them to their Mendel and John's general type-2 fuzzy logic systems and interval type-2 fuzzy logic systems counterparts. The statistical results show that Zadeh's general type-2 fuzzy logic systems can serve as an effective approach for achieving highly accurate point-wise estimations and generating high-quality prediction intervals, meaning narrow bands that capture uncertainty at a given coverage level. We also present a deep learning framework based on Zadeh's general type-2 fuzzy logic systems to learn the inverse cumulative distribution function by estimating all quantile levels. This approach helps prevent the need for multiple training sessions for different desired coverage levels with given quantile pairs. Instead, any quantile pair can be selected to generate a prediction interval that provides the desired confidence level after one training section. In this context, we reformulate the output of the general type-2 fuzzy logic system by enforcing it to learn a specific quantile level, 𝜏, through the assignment 𝛼 = 𝜏. In this way, each output of the 𝛼-plane associated interval type-2 fuzzy logic system is set to learn a quantile level function. To learn the inverse cumulative distribution with a general type-2 fuzzy logic system, we reformulate the simultaneous quantile regression by sampling random quantile levels. To enhance learning, we develop an approach called adaptive simultaneous quantile regression, which incorporates a miscalibration measure during training. This approach allows us to generate additional quantile levels from miscalibration areas, ensuring they are trained effectively using the general type-2 fuzzy logic system. Afterwards, we compare our method with state-of-the-art deep learning methods to show the superiority of our method.
Benzer Tezler
- Design and deployment of deep learning based fuzzy logicsystems
Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması
AYKUT BEKE
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- A modified anfis system for aerial vehicles control
Hava araçları kontrolü için değiştirilmiş anfıs sistemi
MUHAMMET ÖZTÜRK
Doktora
İngilizce
2022
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM OZKOL
- Differential flatness-based fuzzy controller design for aggressive maneuvering of quadcopters
Çok rotorlu hava araçlarının agresif manevra kontrolü için diferansiyel düzlük tabanlı bulanık kontrolör tasarımı
ÇAĞRI GÜZAY
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Elektrik makinaları kontrolünde bulanık mantığın uygulanması
Fuzzy logic applications in control of electrical machines
NESLİHAN KEPEZ
Yüksek Lisans
Türkçe
1995
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. M. EMİN TACER
- Yapay sinir ağları kullanılarak kısa süreli güneş enerjisi tahmini
Short term solar energy prediction by using artifical neural networks
ELA NUR ORUÇ
Yüksek Lisans
Türkçe
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖZTOPAL