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, Adaptif denetim sistemleri, Doğrusal olmayan sistemler, Sinir ağları, Fuzzy-neural networks, artificial neural networks, adaptive network based fuzzy inference systems, modeling, control, Adaptive control systems, Nonlinear systems, Modelling, Nerve net
- 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: Belirtilmemiş.
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.
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
- RTFA ile sistem tanıma ve nöral-bulanık kontrol-
Başlık çevirisi yok
ZEKERİYA UYKAN
Yüksek Lisans
Türkçe
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. İBRAHİM KESKİN
- Türk vergi sisteminde tahsilat optimizasyonuna ilişkin bir uygulama
It`s optimisation application on Turkish taxation system
OSMAN NURİ YİĞİTBAŞI
- Hierarchical nevro-fuzzy controller for call admission control in ATM networks
Başlık çevirisi yok
AMER CATOVIC
Yüksek Lisans
İngilizce
1999
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNHAN DÜNDAR
DOÇ. DR. SEMA OKTUĞ