Tez No	İndirme	Tez Künye	Durumu
68696	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	A Neurofuzzy network models for rule-based systems / Kural tabanlı sistemler için bulanık sinir ağları Yazar:ESİN BİLEN Danışman: PROF. DR. FERDA ALPARSLAN Yer Bilgisi: ORTA DOĞU TEKNİK ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bulanık mantık = Fuzzy logic ; Kurala dayalı sistemler = Rule-based systems ; Yapay sinir ağları = Artificial neural networks	Onaylandı Yüksek Lisans İngilizce 1997 103 s.
Bu tez kapsamında Kural Tabanlı Sistemler için Bulanık Sinir Ağlan (KTBA) modeli geliştirilmiştir. Sistem çok seviyeli ileridoğru sinir ağları yapısında oluşturulmuştur. Öğrenme algoritması olarak, bulanık kuralları içinde kapalı olarak bulunduran, yeniden revize edilmiş "backpropagation" algoritması kullanılmıştır. Bulanık çıkarım ve belirginleştirmeye dayalı bu yeni tasarım tekniği, bulanık kuralların ve üyelik fonksiyonlarının birleşiminden oluşan bir sistem olarak performansı, doğruluğu ve güvenirliği arttırırken, tasarım zamanım azaltır. Böyle bir network tipi herhangi bir doğrusal olmayan bulanıkgirdi-çıktı ilişkisini bulabilme yeteneğine sahiptir. KTBA baza doğrusal olmayan fonksiyonlar ve bir tıbbi teşhis sistemi (özel olarak, kalp hastalığı veritabanı) üzerinde denenmiştir. KTBA, öğrenme işleminden sonra, üyelik fonksiyonlarının temsil edildiği sinir hücrelerinin durumlarına bakılarak ve gereksiz olanlar çıkarılarak, tekrar öğrenmeye tabi tutulursa, kural sayısı ile ilgili iyileştirme yapabilme imkanı verir. Bu işlem sistem masrafım azaltır. Anahtar Kelimeler : Sinir Ağlan, "Backpropagation" Algoritması, Zamansal Bilgi, Bulanık Mantık. Vİ
This thesis, reports the development of a Neurofuzzy Network Model for Rule- Based Systems (NFN). The system is implemented as a feedforward multilayered neural network. The learning algorithm which is based on the backpropagation algorithm is modified to generate fuzzy rules internally. Combination of learned fuzzy rules, membership functions and a new fuzzy design technique based on a new fuzzy inferencing and defuzzification, significantly improves performance, accuracy, reliability and reduces design time. A network of this type is capable of learning any non-linear fuzzy input- output relationship. The system is simulated on some non-linear functions and a medical diagnosis system, specifically heart disease database. NFN is mminimizes total system cost by optimizing the number of rules and membership functions by examining the membership functions of the output after training process, thereafter eliminating the unnecessary weights and refraining. Keywords: Neural Networks, Backpropagation Algorithm, Ten^oral k [ Information, Fuzzy Logic.IV