Tez No	İndirme	Tez Künye	Durumu
373602		Kontrol ve sistem tanımlama uygulamaları için çok katmanlı dinamik bulanık ağ tasarımları / Multilayer dynamic fuzzy neural network design for control and system identification applications Yazar:SEVCAN YILMAZ Danışman: PROF. DR. YUSUF OYSAL Yer Bilgisi: Anadolu Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Dinamik kontrol = Dynamic control ; Sinirsel bulanık mantık = Neuro fuzzy logic ; Sistem tanıma = System identification	Onaylandı Doktora Türkçe 2014 121 s.
Bu tezde, üç farklı yeni nöro-bulanık sinir ağı modeli, sistem tanıma ve kontrol problemleri için önerilmektedir. Önerilen modellerin yapısı, bilinmeyen bir fonksiyonun giriş-çıkış verilerinden bulanık kural tabanı elde etmek için kullanılan adaptif nöro bulanık çıkarım sistemi (ANFIS) fikrinden gelmektedir. Birinci model, tip-2 bulanık dalgacık sinir ağı (T2FWNN) 'dır. T2FWNN yapısında, kuralların üyelik fonksiyonları alışılmış bulanık kümelerden farklı olarak zaman ve frekansta yerellik özelliklerine sahip tip-2 dalgacık fonksiyonları ile temsil edilmektedir. Kuralların sonuç kısmında ise dalgacık fonksiyonlarının ağırlıklı toplamı kullanılmıştır. İkinci model, dinamik adaptif nöro bulanık çıkarım sistemi (DANFIS) 'dir. DANFIS, her bir kuralın sonuç bölümünde sabit terim ile birlikte yerel lineer dinamikleri içeren Takagi-Sugeno afin bulanık model bir sinir ağının temsilidir. Böylece, DANFIS ile lineer olmayan dinamik bir sistemin iç davranışının modellenmesi mümkün olacaktır. DANFIS'te, üyelik fonksiyonu olarak Gauss fonksiyonları kullanılmıştır ve kuralların sonuç kısmı ise girişlerin lineer diferansiyel denklemi ile temsil edilmektedir. DANFIS'e ait uygun parametreler gradyan tabanlı öğrenme algoritması ve ek duyarlılık analizi ile belirlenir. Tezin üçüncü bölümünde DANFIS modelinden farklı olarak dalgacık fonksiyonları üyelik fonksiyonu olarak kullanılmaktadır ve yeni ağ dinamik bulanık dalgacık sinir ağı (DFWNN) olarak adlandırılmıştır. Simülasyon sonuçları, önerilen T2FWNN, DANFIS, DFWNN modellerinin etkinliğini göstermek için, sistem tanıma ve kontrol problemleri için verilmiştir.
In this thesis, three different new neuro-fuzzy neural network models have been proposed for system identification and control problems. The structure of introduced models comes from the idea of adaptive neuro-fuzzy inference system (ANFIS) which is used for obtaining fuzzy rule base from the input-output data of an unknown function. The first model is type-2 fuzzy wavelet neural network (T2FWNN). In the T2FWNN structure, membership functions of fuzzy rules are represented with type-2 wavelet functions which have time and frequency localization properties, unlike the conventional fuzzy sets. In the consequent part of the rules, the weighted summation of wavelet functions is used. The second model is dynamic adaptive neuro-fuzzy inference system (DANFIS). DANFIS is a neural network representation of Takagi-Sugeno affine fuzzy model that incorporates local linear dynamics with bias terms into consequent parts of each fuzzy rule. Thus, the internal behavior of a nonlinear dynamical system will be able to be modeled with DANFIS. In DANFIS, Gaussian functions are used as membership functions and consequent part of the rules are represented with linear differential equation of the inputs. The suitable parameters of DANFIS are determined by gradient based training algorithm and adjoint sensitivity method. In the third model, wavelet functions are used as membership function different than DANFIS model and new network is called as dynamic fuzzy wavelet neural network (DFWNN). Simulation results are given to demonstrate the effectiveness of the proposed T2FWNN, DANFIS, DFWNN models for system identifications and control problems.