Geri Dön

Black-box system identification with deep recurrent networks and classical models

Derin yinelemeli ağlar ve klasik modeller ile kara-kutu sistem tanılama

PDF İndir

  1. Tez No: 999217
  2. Yazar: BEYZA AVAN
  3. Danışmanlar: DOÇ. DR. ÖNDER TÜRK, DR. ÖĞR. ÜYESİ NURGÜL GÖKGÖZ KÜÇÜKSAKALLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
  6. Anahtar Kelimeler: Box-Jenkins, Derin öğrenme, Geçitli tekrarlayan birim, Otoregresif modeller, Sistem tanıma, Uzun kısa süreli bellek, Box-Jenkins, Deep learning, Gated recurrent unit, Autoregressive models, System identification, Long- short term memory
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Uygulamalı Matematik Enstitüsü
  11. Ana Bilim Dalı: Bilimsel Hesaplama Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Derin öğrenme yöntemleri çok sayıda uygulama alanında dikkate değer başarılar elde etmiş olsa da, doğrusal olmayan sistem tanımlama (nonlinear system identification) bağlamındaki kullanımları henüz etkin bir araştırma alanı olmaya devam etmektedir. Bu tez çalışmasında, doğrusal olmayan kara-kutu (black-box) sistem tanımlama problemi kapsamında, tekrarlayan sinir ağları (RNN) ile klasik sistem tanımlama yaklaşımları standart kıyas veri kümeleri üzerinde ayrıntılı ve karşılaştırmalı bir biçimde incelenmektedir. Bu doğrultuda, RNN tabanlı yaklaşımlar olan standart RNN, uzun-kısa süreli bellek (LSTM) ve kapılı tekrarlayan birim (GRU) mimarileri; klasik yöntemlerden doğrusal Box-Jenkins (BJ) modeli ile dışsal girişli doğrusal olmayan otoregresif (NARX) modelle karşılaştırılmaktadır. Modellerin başarımı, farklı hata ölçütleri ile birlikte hesaplama süresi dikkate alınarak değerlendirilmekte; böylece tahmin doğruluğu ile hesaplama verimliliği arasındaki denge nicel olarak ortaya konulmaktadır. Karşılaştırmalı analizler, doğrusal olmayan sistem tanımlama literatüründe yaygın biçimde kullanılan Silverbox kıyaslama veri seti üzerinde gerçekleştirilmektedir. Tez çalışmasının ilk aşamasında, klasik yöntemlerde model derecelerinin sistematik olarak ayarlanması yoluyla referans sonuçlar elde edilmekte ve özellikle BJ modeli için uygulanan ızgara aramasının (grid search), standart yapılandırmalara kıyasla performansı belirgin biçimde iyileştirdiği gösterilmektedir. Ardından, sıfırdan geliştirilen bir RNN temel modeli, korelasyon temelli gecikme seçimi (lag selection) içeren, yine sıfırdan geliştirilen bir RNN varyantı ve yalnızca geçmiş giriş dizilerini kullanan PyTorch tabanlı bir RNN modeli uygulanarak uzun bellek pencerelerinin gerekliliği kapsamlı biçimde incelenmektedir. Tezin özgün katkılarından biri, uzun kaydırmalı pencere girdileri yerine, bilgilendirici gecikmeli değişkenlerden oluşan kompakt bir regresör kümesi kullanan korelasyon güdümlü, değiştirilmiş bir RNN mimarisinin önerilmesidir. Bu yapının kullanılmasıyla elde edilen sonuçlar, korelasyon temelli gecikme seçiminin hem temel RNN modeline hem de uzun ufuklu mimarilere kıyasla daha yüksek tahmin doğruluğu sağladığını; bununla birlikte model karmaşıklığını ve hesaplama yükünü belirli ölçülerde azalttığını ortaya koymaktadır. Önerilen gecikme tasarım ilkesinin özel bir veri setinden bağımsız olarak kullanılabildiğini test etmek amacıyla, korelasyon güdümlü değiştirilmiş RNN mimarisi ayrıca Wiener–Hammerstein kıyas sistemi üzerinde test edilmiştir. Bu ek deneyler, kompakt ve bilgilendirici gecikmeli regresör kümelerinin söz konusu veri setinde de etkili biçimde çalıştığını göstermektedir. Genel olarak elde edilen bulgular, bilgilendirici gecikmeli regresörlerin RNN yapılarıyla bütünleştirilmesinin, doğrusal olmayan kara-kutu sistem tanımlama problemleri için hem yüksek doğruluk sunan hem de hesaplama açısından verimli bir yaklaşım olduğunu göstermektedir. Yalnızca giriş verilerini kullanan tekrarlayan modellerin yanı sıra, girişlere ek olarak otoregresif çıktı geri beslemesi içeren ARX-tipi RNN formülasyonları da incelenmektedir. Silverbox kıyaslama sistemi üzerinde gerçekleştirilen deneyler, bu ARX-tipi mimarilerin analiz edilen ölçütlerde en yüksek performansı sergilediğini ortaya koymakta; bu durum, doğrusal olmayan dinamiklerin etkin biçimde modellenmesinde açık çıktı geri beslemesinin model başarımına doğrudan katkı sağladığını göstermektedir.

Özet (Çeviri)

Deep learning has demonstrated significant, well-established success across a range of application domains; however, its use in nonlinear system identification remains an active area of research. This thesis provides a rigorous comparative analysis of Recurrent Neural Networks (RNNs) and classical identification frameworks for nonlinear black-box system identification on standard benchmarks. Specifically, recurrent neural architectures, including RNN, long short-term memory, and gated recurrent unit models, are compared against two classical identification baselines: a linear Box-Jenkins (BJ) model and a Nonlinear Autoregressive Model with eXogenous input (NARX). Performance is evaluated using various measures of prediction error alongside training time, to quantify the trade-off between predictive accuracy and efficiency. The comparative evaluation is conducted on the Silverbox benchmark system, a widely used reference for nonlinear system identification. Classical baselines are first established by tuning model orders, demonstrating that grid search improves BJ model performance relative to standard configurations. Subsequently, an RNN baseline, an RNN variant incorporating a correlation-guided lag selection procedure (both written from scratch), and a PyTorch-based RNN model driven solely by past input sequences are implemented to assess whether long memory windows are necessary or not. A specific contribution of this study is the design of correlation-guided modified RNN that replaces long sliding-window inputs with a compact set of informative lagged regressors. The results obtained from its application show that principled correlation-driven lag selection achieves superior predictive accuracy compared to both the RNN baseline and long-horizon architectures, while simultaneously reducing model complexity. To assess the transferability of the proposed lag-design principle, the correlation-guided modified RNN is further evaluated on the Wiener–Hammerstein benchmark, where a similarly compact set of informative lagged regressors is found to remain effective. Overall, the results indicate that embedding informative lagged regressors into RNNs provides an accurate and computationally efficient approach to nonlinear black-box system identification. In addition to input-only recurrent models, ARX-type RNN formulations that incorporate autoregressive output feedback alongside inputs are investigated. On the Silverbox benchmark, these ARX-type architectures achieve the strongest performance, highlighting the importance of explicit output feedback for capturing the underlying nonlinear dynamics.

Benzer Tezler

  1. Tez No

    106

    Sivas yöresinde akraba evliliği yapan ve yapmayan çiftlerde dermatoglifik benzerlikler

    Similarities of dermataoglyphies among individval of married relatives and married couples not related to each other in Sivas region

    Y. SELMA SÜNGÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    1984

    Tıbbi BiyolojiCumhuriyet Üniversitesi

    Tıbbi Biyoloji ve Genetik Ana Bilim Dalı

    YRD. DOÇ. DR. İLHAN SEZGİN

  2. Tez No

    356

    Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu

    Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil

    MEHMET EROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1987

    Makine MühendisliğiGazi Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. YÜCEL ERCAN

  3. Tez No

    216

    İsmayıl Hakkı Baltacıoğlu'nun kültür ve eğitim kavramı üzerine bir inceleme

    An Examination of the concepts of culture and education of Ismayıl Hakkı Baltacıoğlu

    ABDULLAH DİKİCİ

    Doktora

    Türkçe

    Türkçe

    1986

    Eğitim ve ÖğretimUludağ Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. SUAT ANAR

  4. Tez No

    22

    Gazi tipi eksternal fiksatörlerle yapılan uygulamalarda kırık hattındaki kompresyonun biyomekanik olarak“strain gage”lerle tayini

    Başlık çevirisi yok

    HÜSEYİN ŞENGÜL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1987

    Ortopedi ve TravmatolojiGazi Üniversitesi

    Ortopedi ve Travmatoloji Ana Bilim Dalı

    PROF. DR. ORHAN ASLANOĞLU

  5. Tez No

    81

    Sivas ili C.Ü. hastanesinde yatmakta olan hastaların servislerine kabul edilişlerindeki uygulamalarla bu uygulamalara ilişkin duygu ve beklentilerinin saptanması

    Determination of the formalities in admitting the patients hospitalized at the Cumhuriyet University of Sivas to the services and their feelings and expeetations relating to these formalities

    FADİME KESKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    1987

    HastanelerCumhuriyet Üniversitesi

    Hemşirelik Ana Bilim Dalı

    YRD. DOÇ. DR. MELİHA ATALAY

Geri Dön