Fuzzy logic controller development using neural networks

Abstract

ÖZET Bu çalışmada, sinir ağlan yapısı kullanılarak, genel bir puslu mantık deneticisi geliştirildi. Sinir ağlan yapısı, puslu mantık deneticisinin kural tabanım, İlk bilgi olmaksızın elde etmek ve ilgili üyelik fonksiyonlannı ayarlamak için kullanıldı. İki değişik kural elde etme yöntemi uygulandı. İlki, Puslu Karar Verme Sistemi-I (FDMS-I), bu amaçla rekabetçi öğrenme yöntemi kullanır. Fakat, bu tezde önerdiğimiz, Puslu Karar Verme Sistemi-II (FDMS-II), öğrenme örnekleri arasındaki ilişkiyi kullanır. İki kural elde etme yöntemi de kullanılarak sistemin performansını sınamak için iki problem uygulandı. İlk problem örneği, sistemi eğitmek ve sınamak için kullanılan doğrusal olmayan fonksiyondur. Sonuçlar gösteriyor ki, FDMS-II, öğrenme zamanı ve sistem performansı açısından daha iyi sonuçlar vermektedir. Aynca, FDMS-I'den elde edilen üyelik fonksiyonlan, epeyce geniş çakışan alanlardan dolayı, pek fazla bir bilgi vermemektedir. Bu nedenle, FDMS-II ikinci probleme uygulanmak için seçilmiştir. İkinci problem örneği, doğrusal modelli H.B. Robinson nükleer güç santralidir. Sonuçlar gösteriyor ki, doğrusal örnekte, sistem performansı artarken, öğrenme zamanı da dikkate değer miktarda azalmıştır. Nihai kural setlerinin tutarlılığı ve sağlamlığı, öğrenilen üyelik fonksiyonlarıyla kural çıkanmı tekrarlanarak kontrol edilmiştir. Sonuç olarak, FDMS-II ile oluşturulan kural tabanı, her kural çıkanmı sonucunda aynı kural setini verdiğinden, kararlıdır. Fakat, bu durum, değişik kural setleri üreten FDMS-I için geçerli değildir.

IV ABSTRACT In this study, we have developed a general fuzzy logic controller using a neural network structure. The neural network structure is used to construct the rule base of the fuzzy logic controller without any initial information available and to tune the associated membership functions. We have implemented two different rule extraction methodologies. The first one, namely Fuzzy Decision-Making System-I (FDMS-I), uses competitive learning for this purpose. However, Fuzzy Decision-Making System-II (FDMS-II), which we propose in this thesis, uses the relation among training samples. Two test problems were applied to test the performance of the system by using both of the rule extraction methodologies. The first problem case is a nonlinear function used to train and test the system. Results show that FDMS-II performs better in terms of the learning time and system performance. Moreover, the resulting membership functions of FDMS-I do not give much information because of the quite large overlapping areas. Thereby, FDMS-II is chosen to apply to the second problem. The second one is a linear model of PWR-type H.B. Robinson nuclear power plant. Results show that the system performance is increased whereas the learning time is decreased by a remarkable amount in the linear case. The consistency and robustness of the ultimate rule sets are checked by reextracting the rules with the learned membership functions for a set of iterations. As a result, we have seen that the rule base constructed by FDMS-II is stable, yielding the same rule set after each reextraction. However, this is not the case with FDMS-I which yields a different rule set.