Geri Dön

A unified deep learning framework for scalable learning and uncertainty quantification in interval Type-2 fuzzy logic systems

Aralık Tip-2 bulanık mantık sistemlerinde ölçeklenebilir öğrenme ve belirsizlik nicelendirmesi için derin öğrenme tabanlı birleştirilmiş bir çerçeve

PDF İndir

  1. Tez No: 999395
  2. Yazar: ATA KÖKLÜ
  3. Danışmanlar: PROF. DR. TUFAN KUMBASAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bulanık Mantık Sistemleri, belirsizlik, doğrusal olmayan ve karmaşık giriş çıkış ilişkilerinin söz konusu olduğu problemlerde güçlü modelleme kabiliyetleri sunmaları nedeniyle kontrol, kestirim ve modelleme gibi alanlarda yaygın olarak kullanılmaktadır. Kural tabanlı yapıları sayesinde yüksek yorumlanabilirlik sağlamaları, bulanık mantık sistemlerini özellikle mühendislik uygulamaları açısından cazip kılmaktadır. Tip-1 Bulanık Mantık Sistemleri, sabit yapılarıyla birçok pratik problemde başarılı sonuçlar vermiştir. Buna rağmen gerçek dünya verilerinin doğasında bulunan ölçüm gürültüsü, model belirsizliği ve çevresel değişkenlik gibi unsurlar Tip-1 Bulanık Mantık Sistemlerinin belirsizliği yeterince temsil edememesi nedeniyle performanslarını ve kullanım alanlarını kısıtlamaktadır. Bu sınırlamaların aşılması amacıyla geliştirilen Aralık Değerli Tip-2 Bulanık Mantık Sistemleri, üyelik derecelerinin tek bir değerden ziyade bir aralık içerisinde tanımlanmasına olanak tanıyan belirsizlik ayak izi (footprint of uncertainty) kavramını kullanmaktadır. Bu sayede Aralık Değerli Tip-2 Bulanık Mantık Sistemleri belirsizliğin daha gerçekçi ve esnek bir şekilde modellenmesini mümkün kılmaktadır. Özellikle regresyon problemlerinde, yalnızca noktasal tahminler yerine tahmin aralıklarının (prediction intervals) üretilmesi, güvenlik kritik ve yüksek risk içeren uygulamalarda büyük önem taşımaktadır. Aralık Değerli Tip-2 Bulanık Mantık Sistemleri, yapıları gereği tahmin aralıklarının üretimi için doğal ve yorumlanabilir bir çerçeve sunmaktadır. Buna karşın, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin pratik kullanımı, yüksek hesaplama maliyeti ve ölçeklenebilirlik sorunları nedeniyle ciddi biçimde kısıtlanmaktadır. Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinde belirsizlik modelleme süreci, küme merkezi hesaplama yöntemleri (Center of Sets Calculation Methods) aracılığıyla gerçekleştirilmektedir. Karnik–Mendel Algoritması gibi yaygın küme merkezi hesaplama yöntemleri, iteratif ve sıralama algoritmaları içeren yapıları nedeniyle hesaplama açısından maliyetlidir ve paralel hesaplama mimarilerine uygun değildir. Bu durum, özellikle büyük veri kümeleri ve yüksek sayıda girişe sahip sistemlerde hem eğitim hem de çıkarım süreçlerini belirgin biçimde yavaşlatmaktadır. Literatürde önerilen birçok Aralık Değerli Tip-2 Bulanık Mantık Sistemi öğrenme yöntemi, esasen Tip-1 Bulanık Mantık Sistemi öğrenme yaklaşımlarının doğrudan uzantıları niteliğindedir. Bu yöntemlerde belirsizlikle ilişkili parametreler çoğunlukla ek öğrenilebilir değişkenler olarak ele alınmakta ve öğrenme süreci büyük ölçüde noktasal tahmin doğruluğunu artırmaya odaklanmaktadır. Bu nedenle, belirsizlik modellemesinin kalitesi doğrudan hedeflenmemekte ve elde edilen tahmin aralıkları çoğu zaman yetersiz ve/veya güvensiz kalmaktadır. Ek olarak bu yaklaşımlar modern makine öğrenmesi uygulamalarında yaygın olarak kullanılan mini-batch tabanlı optimizasyon, otomatik türev alma ve grafik işlemci hızlandırma gibi olanaklardan yeterince yararlanamamaktadır. Ayrıca, mevcut çalışmaların büyük bir kısmı sınırlı veri kümeleri üzerinde değerlendirilmiş olup, büyük ölçekli ve yüksek boyutlu problemlerde ortaya çıkan hesaplama ve belirsizlik modelleme sorunlarını yeterince ele almamaktadır. Literatürde önerilen yöntemlerin önemli bir bölümü, belirsizlik bilgisini model çıktılarına doğrudan yansıtmaktan ziyade, dolaylı biçimde ele almakta ve bu durum tahmin aralıklarının güvenilirliğini olumsuz etkilemektedir. Bu eksiklikler, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin pratik ve endüstriyel uygulamalarda yaygın biçimde kullanılmasının önünde önemli bir engel oluşturmaktadır. Bu tez çalışmasının temel amacı, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerini uygun parametreleştirme yaklaşımları ile modern derin öğrenme yapıları içerisine gömerek, geleneksel öğrenme süreçlerinde karşılaşılan kısıtları ortadan kaldırmak ve mini-batch tabanlı derin öğrenme optimizasyon algoritmalarının etkin biçimde kullanılmasını sağlamaktır. Bu doğrultuda tez, küme merkezi hesaplama yöntemlerinin ve yüksek boyutlu Takagi–Sugeno–Kang yapılarının yeniden tasarlanması yoluyla çıkarım karmaşıklığını önemli ölçüde azaltmayı ve belirsizlik modelleme performansını iyileştirmeyi hedeflemektedir. Ayrıca, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerine ait çıkarım süreçlerinin tamamen vektörleştirilmiş ve paralelleştirilebilir bir biçimde yeniden formüle edilmesiyle, geleneksel küme merkezi hesaplama yöntemlerinin iteratif yapısının ortadan kaldırılması ve grafik işlemci mimarileri üzerinde verimli biçimde çalıştırılması amaçlanmaktadır. Grafik işlemci tabanlı paralel hesaplamanın derin öğrenme çerçeveleri içerisinde etkin biçimde kullanılması sayesinde, tahmin doğruluğu veya belirsizlik modelleme kabiliyetinden ödün vermeden eğitim ve çıkarım sürelerinin önemli ölçüde hızlandırılması hedeflenmektedir. Son olarak, noktasal tahmin doğruluğu ile tahmin aralığı kalitesini eş zamanlı olarak optimize eden çift odaklı bir öğrenme stratejisinin, özellikle yüksek boyutlu ve büyük ölçekli problemler için geleneksel Aralık Değerli Tip-2 Bulanık Mantık Sistemi öğrenme yaklaşımlarına kıyasla üstün performans sunacağı tez kapsamında ortaya konulmaktadır. Tez kapsamında öncelikle Tip-1 Bulanık Mantık Sistemlerinin ve Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin matematiksel yapıları, derin öğrenme ortamlarıyla uyumlu olacak şekilde yeniden formüle edilmiştir. Geleneksel bulanık öğrenme süreçlerinde karşılaşılan parametre kısıtları, uygun stratejileri kullanılarak kısıtsız optimizasyon problemlerine dönüştürülmüştür. Bu dönüşüm sayesinde standart derin öğrenme optimizasyon algoritmaları (örneğin Adam ve Stokastik Gradyan İnişi) ve otomatik türev alma mekanizmaları doğrudan kullanılabilir hale gelmiştir. Ayrıca, çıkarım ve öğrenme süreçleri mini-batch uyumlu olacak şekilde tanımlanmış ve tüm hesaplamalar matris tabanlı, vektörleştirilmiş ifadeler üzerinden gerçekleştirilmiştir. Aralık Değerli Tip-2 Bulanık Mantık Sistemleri için, Karnik–Mendel Algoritmasının iteratif yapısını ortadan kaldıran ve tamamen paralelleştirilebilir yeni çıkarım yöntemleri geliştirilmiştir. Önerilen yaklaşım, tip indirgeme sürecinde oluşabilecek tüm olası kombinasyonları eş zamanlı olarak değerlendirebilmekte ve böylece grafik işlemci tabanlı paralel hesaplamadan etkin biçimde yararlanmaktadır. Deneysel sonuçlar, bu yöntemin Karnik–Mendel Algoritması tabanlı çıkarıma kıyasla eğitim süresini önemli ölçüde azalttığını ve tahmin doğruluğunu koruduğunu göstermektedir. Tezin önemli katkılarından biri, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin belirsizlik modelleme kabiliyetlerini artırmaya yönelik metodolojik geliştirmelerdir. Bu kapsamda literatürde yer alan küme merkezi hesaplama yöntemleri derin öğrenme ortamlarına uyarlanmış ve yeni ağırlıklı ve parametrik küme merkezi hesaplama yapıları önerilmiştir. Özellikle Parametrik Karnik–Mendel yöntemi, belirsizlik modelleme kabiliyeti, noktasal doğruluk ve hesaplama verimliliği arasında dengeli bir performans sunmuştur. Ayrıca, belirsizlik ve doğruluğun eş zamanlı olarak optimize edildiği çift odaklı öğrenme stratejisi geliştirilmiş ve bu yaklaşımın tahmin aralığı kalitesini anlamlı ölçüde artırdığı gösterilmiştir. Boyutluluk laneti problemi (The Curse of Dimensionality), özellikle yüksek boyutlu giriş uzaylarında kural ateşleme güçlerinin hızla sıfıra yaklaşması şeklinde ortaya çıkmaktadır. Bu tezde, bu problemin üstesinden gelmek amacıyla yüksek boyutlu Takagi–Sugeno–Kang yapıları ve değiştirilmiş kural ateşleme mekanizmaları incelenmiştir. HTSK, HTSK2, eHTSK ve eHTSK2 yapıları, softmax tabanlı normalizasyon kullanarak kural aktivasyonlarını yeniden tanımlamakta ve yüksek boyutlu problemlerde daha kararlı çıkarım sağlamaktadır. Deneysel sonuçlar, geliştirilmiş eHTSK2 yapısının hem Tip-1 Bulanık Mantık Sistemlerinde hem de Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinde en iyi genel performansı sağladığını göstermektedir. Tez kapsamında gerçekleştirilen kapsamlı deneysel çalışmalar, önerilen methotların büyük ölçekli ve yüksek boyutlu veri kümeleri üzerinde geleneksel yöntemlere kıyasla belirgin üstünlükler sağladığını ortaya koymaktadır. Noktasal tahmin doğruluğunun yanında, tahmin aralığı kapsama oranı ve aralık genişliği gibi belirsizlik ölçütlerinde de anlamlı iyileşmeler elde edilmiştir. Bu sonuçlar, önerilen yaklaşımın belirsizlik farkındalığının kritik olduğu uygulamalar için uygun bir çözüm sunduğunu göstermektedir. Tezde önerilen öğrenme çerçevesi, yalnızca teorik bir yeniden formülasyon sunmakla kalmamakta, aynı zamanda pratik uygulamalara doğrudan aktarılabilecek hesaplamasal araçlar da sağlamaktadır. Geliştirilen derin öğrenme uyumlu yapı sayesinde, Bulanık Mantık Sistemleri modern makine öğrenmesi ekosistemlerinin sunduğu temel bileşenlerle bütünleşik biçimde eğitilebilir hale gelmiştir. Otomatik türev alma, grafik işlemci hızlandırma ve mini-batch tabanlı eğitim mekanizmalarının etkin biçimde kullanılması, Bulanık Mantık Sistemlerinin büyük ölçekli veri problemlerinde uygulanabilirliğini artırmıştır. Deneysel değerlendirmeler, farklı veri ölçekleri ve giriş boyutları dikkate alınarak sistematik biçimde gerçekleştirilmiştir. Bu süreçte, eğitim ve çıkarım süreleri, model ölçeklenebilirliği ve belirsizlik ölçütleri birlikte ele alınmış; önerilen yöntemlerin farklı problem senaryolarındaki davranışları ayrıntılı biçimde analiz edilmiştir. Elde edilen sonuçlar, yalnızca mutlak performans değerleri üzerinden değil, aynı zamanda yöntemlerin artan veri boyutu karşısındaki kararlılığı açısından da değerlendirilmiştir. Sonuç olarak bu tez, Tip-1 Bulanık Mantık Sistemlerinin ve Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin modern derin öğrenme altyapılarıyla bütünleştirilmesine yönelik kapsamlı ve sistematik bir çerçeve sunmaktadır. Önerilen yöntemler, Bulanık Mantık Sistemlerinin yorumlanabilir kural tabanlı yapısını korurken, grafik işlemci destekli ölçeklenebilirlik, hesaplama verimliliği ve yüksek kaliteli belirsizlik modelleme yetenekleri kazandırmaktadır. Elde edilen bulgular, Aralık Değerli Tip-2 Bulanık Mantık Sistemlerinin büyük veri ve yüksek boyutlu regresyon problemlerinde hem doğruluk hem de güvenilir belirsizlik tahmini gerektiren uygulamalar için güçlü ve pratik modeller olduğunu ortaya koymaktadır. Gelecek çalışmalar kapsamında, önerilen öğrenme çerçevesinin farklı derin öğrenme kütüphanelerine (örneğin PyTorch) uyarlanması, TinyML tabanlı gömülü sistemlerde kullanılabilir hale getirilmesi ve genel Tip-2 Bulanık Mantık Sistemlerini destekleyecek şekilde genişletilmesi planlanmaktadır.

Özet (Çeviri)

Fuzzy Logic Systems are widely used in control, prediction, and modeling problems where uncertainty, nonlinearity, and complex input–output relationships are present. Their rule-based structure provides high interpretability, which makes them attractive for engineering applications. Type-1 Fuzzy Logic Systems have been successfully applied to many practical problems due to their simple and fixed structure. However, real-world data often include measurement noise, model uncertainty, and environmental variability. Because Type-1 Fuzzy Logic Systems use fixed membership functions, they cannot represent such uncertainties adequately, which limits their performance and applicability. To address these limitations, Interval Type-2 Fuzzy Logic Systems were introduced. In these systems, membership degrees are defined as intervals rather than single values through the use of the footprint of uncertainty. This structure allows uncertainty to be modeled in a more flexible and realistic manner. In regression problems, generating prediction intervals instead of only point predictions is especially important for safety-critical and high-risk applications. Interval Type-2 Fuzzy Logic Systems naturally support the generation of prediction intervals while preserving model interpretability. Despite these advantages, the practical use of Interval Type-2 Fuzzy Logic Systems is limited by high computational cost and poor scalability. Uncertainty processing relies on center of sets calculation methods, which are often iterative and require sorting operations. Methods such as the Karnik–Mendel Algorithm are computationally expensive and not suitable for parallel computation. As a result, training and inference become slow, particularly for large data sets and high-dimensional input spaces. Many existing learning methods for Interval Type-2 Fuzzy Logic Systems are direct extensions of methods developed for Type-1 Fuzzy Logic Systems. In these approaches, uncertainty-related parameters are treated as additional trainable variables, and learning mainly focuses on improving point prediction accuracy. Consequently, uncertainty quantification quality is not directly optimized, and prediction intervals may be unreliable. In addition, these methods do not effectively utilize modern machine learning tools such as mini-batch training, automatic differentiation, and graphics processing unit acceleration. The main objective of this thesis is to develop a unified learning framework that embeds Type-1 and Interval Type-2 Fuzzy Logic Systems into modern deep learning environments. The proposed framework aims to reduce computational cost, address high-dimensional input spaces, and directly optimize uncertainty information during learning. To achieve this, fuzzy system structures are reformulated using appropriate parameterization strategies, allowing unconstrained optimization and efficient mini-batch training. New inference formulations are proposed to remove the iterative structure of traditional center of sets calculation methods. All inference and learning operations are expressed in a fully vectorized and parallelizable form, enabling efficient execution on graphics processing units. Experimental results show that the proposed framework significantly reduces training and inference time while maintaining prediction accuracy and improving uncertainty estimation. In conclusion, this thesis presents an efficient and scalable learning framework that integrates fuzzy logic systems with modern deep learning tools. The proposed methods preserve the interpretability of fuzzy rule-based models while enabling reliable uncertainty modeling and practical applicability in large-scale and high-dimensional problems.

Benzer Tezler

  1. Tez No

    953633

    Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi

    Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces

    ENGİN DENİZ CANBAZ

    Doktora

    Türkçe

    Türkçe

    2025

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. MESUT GÜR

  2. Tez No

    1018514

    Transformer tabanlı öznitelik bütünleştirme ile eksik veriye dayanıklı tahminsel model geliştirilmesi

    Development of a predictive model robust to missing data via transformer-based feature integration

    DUYGU BAYRAK GÜMÜŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED KOTAN

  3. Tez No

    999073

    Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces

    Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices

    ABUALQASIM KHALIL ISMAEL ISMAEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM

  4. Tez No

    1001077

    Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data

    Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri

    MARWAH MUWAFAQ KADHIM AL-MOZANI

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN DEMİREL

  5. Tez No

    958845

    Image-based representations of physiological signals: Deep learning approaches for predictive medicine

    Fizyolojik sinyallerin görüntü tabanlı temsilleri: Öngörücü tıp için derin öğrenme yaklaşımları

    MEHMET AKİF ÖZDEMİR

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Biyomedikal Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONAN GÜREN

    PROF. DR. AYTUĞ ONAN

Geri Dön