Fuzzy-nöral ve yapay sinir ağları ile lineer olmayan sistemlerin modellenmesi ve kontrolü
Modelling and control of nonlinear systems with fuzzy-neural and neural networks
- Tez No: 96318
- Danışmanlar: DOÇ. DR. YAKUP DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Fuzzy-nöral ağlar, yapay sinir ağları, adaptif ağ temelli fuzzy çıkarımlı sistemler, modelleme, kontrol
- Yıl: 2000
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
ÖZET YÜKSEK LİSANS TEZİ FUZZY NÖRAL VE YAPAY SİNİR AĞLARI İLE LİNEER OLMAYAN SİSTEMLERİN MODELLENMESİ VE KONTROLÜ Ayşegül UÇAR Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Ana Bilim Dalı 2000, Sayfa :107 Bu tezde, lineer olmayan sistemlerle çalışmak için yeni bir ufuk açan nöral ve fuzzy nöral ağların modelleme ve kontrol uygulamaları sunulmuştur. Bunun için önce, yapay sinir ağlarının (YSA) eğitiminde kullanılan hata geriye yayma yöntemi ve Levenberg-Marquardt optimizasyon tekniği ele alınmıştır. Hata geriye yayma yönteminde performans fonksiyonunun birinci türevi kullanıldığından öğrenme zamanının özellikle minimum etrafında daha uzun olduğu görülmüştür. Levenberg- Marquardt yönteminde ise, ikinci türevlerden gelen ek bilgiler kullanıldığından işlem karmaşıklığı ve donanım ihtiyaçları daha fazladır. İkinci olarak, YSA ve adaptif ağ temelli fuzzy çıkanmlı sistemler (ANFIS) kullanarak değişik model yapıları incelenmiştir. Sonuçta sistemleri modellemek için daha az parametre sayısı ve daha iyi performans veren kümeleme algoritması kullanan ANFIS' in YSA' ya ve modelleme de ızgaralama bölümlendirmesi kullanarak kuralları oluşturan ANFIS' e tercih edileceği gözlenmiştir. Üçüncü olarak, YSA' 1ar genelleştirilmiş ve özelleştirilmiş çalışma yöntemleri ile kontrol edilmiştir ve özelleştirilmiş çalışmada sistemin tersinin tam olarak öğrenilebildiği sonucuna varılmıştır. Ayrıca ANFIS ve YSA' nın doğrudan ters kontrol performanslarının karşılaştınlabilir olmasına rağmen parametre sayısı, çalışma süresi veulaşılan hata bakımından (yani sistemin tersini tam olarak öğrenmesi bakımından) ızgarlama yöntemi kullanan ANFIS' in daha iyi sonuçlar verdiği gözlenmiştir. Dördüncü olarak; ANFIS ve YSA1 1ar PID kontrolörle karşılaştırılıp, ANFIS ve YSA' lara neden ihtiyaç duyuluyor sorusunun cevabı aranmıştır.
Özet (Çeviri)
HI SUMMARY Masters Thesis MODELING AND CONTROL OF NONLINEAR SYSTEMS WITH FUZZY NEURAL AND NEURAL NETWORKS Ayşegül UÇAR Fırat University Graduate School of Natural and Applied Sciences Department of Electrical and Electronics Engineering 2000, Page: 107 In this thesis, modeling and control applications of neural and fuzzy-neural networks opened a new horizon to study with nonlinear systems are presented. For this, firstly backpropagation method and the Levenberg-Marquardt optimization technique that are used for the training of artificial neural networks (ANN) are discussed. The learning time for backpropagation method is observed more long especially around the minima since it uses the first order derivatives of the performance function. In the Levenberg-Marquardt are more large the computational complexity and the hardware requirements because of used the addition informations coming form the second derivatives of the performance function. Secondly, by using ANN and adaptive network based fuzzy inference systems (ANFIS) is researched different model buildings. In the result, to systems modeling, ANFIS used clustering algorithm that given more less parameter number and more good performance is observed to prefer to ANN and ANFIS used grid partition. Thirdly, ANNs is controlled with generalized and specialized training method and in the specialized training is drawed a conclusion to be exactly learned inverse of systems. In addition, although direct inverse control performance of ANFIS and ANNs comparable, in that parameter number, training time and reached error (namely, in thatIV exactly learned inverse of system), ANFIS used grid partition is observed to be gived more good results. Fourthly, ANFIS and ANNs are compared with PID controller, answer of the question“why are ANFIS and ANNs needed ?”is searched. Key Words : Fuzzy-neural networks, artificial neural networks, adaptive network based fuzzy inference systems, modeling, control.
Benzer Tezler
- 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
- Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
Analysis and optimization of artificial neural networks for image classification
OZAN ARSLAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiPROF. DR. OĞUZ MÜFTÜOĞLU
PROF. DR. CANKUT ÖRMECİ
- Dalgacık bulanık zaman serisi yöntemi ile aylık akım tahmini
Monthly river discharge prediction by wavelet fuzzy time series method
EYYUP ENSAR BAŞAKIN
Yüksek Lisans
Türkçe
2018
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ÖZGER
- Araç talep tahmininde kullanılan yöntemlerin karşılaştırılması
Comparison of car demand forecasting models
KÜRŞAT KARACA
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BAŞAR ÖZTAYŞİ
- Portfolio optimization with wavelet analysis and neural fuzzy networks
Dalgacık analizi ve bulanık sinir ağları modeli ile portföy optimizasyonu
ÖMER ZEKİ GÜRSOY
