Doğrusal olmayan sistemlerin yapay sinir ağları kullanılarak kimliklendirilmesi
Identification of nonlinear systems by using artificial neural networks
- Tez No: 152084
- Danışmanlar: Y.DOÇ.DR. ŞABAN ÖZER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Kimliklendirme, Yapay Sinir Ağları, Volterra, Bilinear, PAR Sistem ve Myriad Filtre, Identification, Artificial Neural Network, Volterra, Bilinear, PAR System and Myriad Filter
- Yıl: 2004
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ill DOĞRUSAL OLMAYAN SİSTEMLERİN YAPAY SINIR AĞLARI KULLANILARAK KİMLİKLENDİRİLMESİ ÖZET Bu tez çalışmasında, doğrusal olmayan Volterra, bilinear ve polynomial autoregressive (PAR) sistemlerin ve myriad filtrelerin kimliklendirilrnesi üzerine çalışılmıştır. Bu yapılardan Volterra, bilinear ve PAR sistemlerin adaptif algoritmalarla ve Yapay Sinir Ağları (YSA) ile kimliklendirilrnesi ve bunların performanslarının karşılaştırılması incelenmiştir. Myriad filtre yapısının YSA ile kimliklendirilrnesi gerçekleştirilmiş ve adaptif ağırlıklandmlmış myriad filtrelerin uygulamaları üzerine çalışılmıştır. Birinci bölümde teze genel bir giriş yapılmıştır. İkinci bölümde doğrusal sistemler ile doğrusal olmayan sistemler arasındaki farklar, sistem modellemenin gerçek hayattaki kullanım alanları ve sistemlerin kimliklendirilmesinde kullanılan modelleme yapıları incelenmiştir. Sistemlerin kimliklendirilmesinde kullanılan adaptif En Küçük Ortalama Kareler (Least Mean Square - LMS) ve İçsel (Rekürsif) En Küçük Kareler (Recursive Least Square - RLS) algoritmaları hakkında bilgi verilmiştir. Doğrusal olmayan filtre yapılarından olan myriad filtre ve adaptif ağırlıklandmlmış myriad filtre yapılarına değinilmiştir. Son olarak sistemlerin kimliklendirilmesinde kullanılan YSA yapılan ve öğrenme yöntemleri hakkında bilgi verilmiştir. Üçüncü bölümde, Volterra ve bilinear sistemlerin adaptif algoritmalar ve YSA ile kimliklendirilrnesi ve farklı öğrenme algoritmalanyla eğitilmiş YSA modellerinin kimliklendirmedeki performansları karşılaştmlmıştır. Ayrıca bu çalışmada myriad filtrelerin YSA ile kimliklendirilrnesi. YSA' 1ar kullanılarak Chua devresinin kaotik davranışlarının tahmini PAR sistemler kullanılarak gerçekleştirilmiş ve adaptif ağırlıklandmlmış myriad filtre uygulamaları verilmiştir. Son bölümde sonuçlar ve değerlendirmeye yer verilmiştir.
Özet (Çeviri)
IV IDENTIFICATION OF NONLINEAR SYSTEMS BY USING ARTIFICIAL NEURAL NETWORKS ABSTRACT In this work, identification of nonlinear Volterra, bilinear, polynomial autoregressive (PAR) systems and myriad filters are studied. Volterra, bilinear and PAR systems are identified by using adaptive algorithms and Artificial Neural Networks (ANNs) and the performances of these methods are compared. Myriad filter are identified by using ANN and applications of adaptive weighted myriad filters are studied. In the first chapter, a general introduction is given about the thesis. In the second chapter, the differences between linear and nonlinear systems and system modeling applications in the real world and modeling methods used for identification of linear and nonlinear systems are presented. Least Mean Squares (LMS) and Recursive Least Squares (RLS) adaptive algorithms used for system identification are given. Myriad filter and adaptive weighted myriad filter are presented. Finally, structures and learning algorithms of ANNs used for system modeling are given. In the third chapter, nonlinear Volterra and bilinear systems are identified by using adaptive algorithms and ANNs trained by different learning algorithms and the performances of these algorithms are compared. In addition, in this work, identification of myriad filters using ANNs, prediction of Chua circuit's chaotic behaviors by using ANN based on PAR models and applications of adaptive weighted myriad filters are given. Results and conclusions are given in the last chapter.
Benzer Tezler
- Neural network control of nonlinear systems.
Yapay sinir ağlarından yararlanarak doğrusal olmayan sistemlerin kontrolü.
ALPTEKİN FADILOĞLU
Yüksek Lisans
İngilizce
1992
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiPROF. DR. YORGO ISTEFANOPULOS
- Enzimatik reaksiyonlara ait kinetik katsayıların cevap yüzeyi metodu ve yapay sinir ağları kullanılarak saptanması
Determination of kinetic constants of enzymatic reactions using response surface methodology and artificial neural networks
DENİZ BAŞ
Yüksek Lisans
Türkçe
2005
Gıda MühendisliğiHacettepe ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ.DR. İSMAİL HAKKI BOYACI
- An Adaptive nonlinear model predictive controller using a neural network
Yapay sinir ağı ile bütünleştirilmiş doğrusal olmayan adaptif model öngörümlü denetici
ÖZGÜR KARAHAN
Yüksek Lisans
İngilizce
1997
Kimya MühendisliğiOrta Doğu Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. CANAN ÖZGEN
- Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü
Modeling, implementation and control of logistics systems using artificial neural networks
MURAT ERMİŞ
Doktora
Türkçe
2005
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF.DR. FÜSUN ÜLENGİL
- Yapay sinir ağları temelli model öngörülü kontrol
Neural network based model predictive control
SAVAŞ ŞAHİN
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik MühendisliğiEge ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYDOĞAN SAVRAN