Bulanık mantıklı yapay sinir ağı ile doğrusal olmayan sistem modelleme

Abstract

BULANIK MANTIKLI YAPAY SINIR AGI ile DOĞRUSAL OLMAYAN SİSTEM MODELLEME Mehmet YILDIRIM Anahtar Kelimeler: Sistem Modelleme, Yapay Sinir Ağı, Bulanık Mantık, Bulanık Mantıklı Yapay Sinir Ağı Özet: Bu çalışmada, yapay sinir ağı ve bulanık mantığın birleştirilmesiyle oluşan bir yöntemin doğrusal olmayan sistem modellemeye uygulanması yer almaktadır. Bu yöntemde, doğrusal olmayan sistemin girişleri birkaç bulanık çalışma bölgesine ayrılmaktadır. Her bir bulanık çalışma bölgesi içinde, sistemi temsil edebilecek azaltılmış dereceli modeller kullanılmaktadır. Modelin bütününün çıkışı, bulanık çalışma bölgeleri çıkışlarının ağırlık merkezi ile berraklaştırma metodu ile birleştirilmesiyle elde edilmektedir. Geriyansıtmalı yapay sinir ağının giriş-çıkış verilerinden öğrenme yeteneği, ve bulanık mantığın belirsiz bilgileri işleme yeteneğinden yararlanan bu yöntem, doğrusal olmayan statik ve dinamik sistem örneklerine uygulanmıştır. Uygulama aşamasında, bulanık mantıklı yapay sinir ağının değişik öğrenme parametrelerinde eğitimi gerçekleştirilerek, örnek seçilen sistemlerin en iyi modelleri elde edilmeye çalışılmıştır. Sistemler ile modelleri arasındaki hatanın çok düşük olduğu görülmüştür.

Mehmet YILDIRIM Keywords: System Modelling, Neural Network, Fuzzy Logic, Fuzzy Neural Network Abstract: In this thesis, a new technique which is a combinatioan of neural network and fuzzy logic is applied to nonlinear system modelling. Inputs of the nonlinear system are divided into several fuzzy operating regions by using this technique. Within each operating region reduced order models which are able to represent the system, are used. The overall output of the model is obtained through the conjunction of fuzzy operating regions by the center of gravity method. The learning capability from input-output data of neural network and the capability of processing of imprisize knowledge of fuzzy logic are combined in this technique, and it has been applied to the nonlinear static and dynamic system examples. At the application stage, the training of fuzzy neural network with the different training parameters has been caried out and the best models of the systems have been obtained. Acceptibly small errors between the systems and the models have been observed.