Tez No	İndirme	Tez Künye	Durumu
246872		A new fuzzy wavelet neural network design for time series prediction / Zaman serisi kestirimi için yeni bir dalgacık bulanık ağ tasarımı Yazar:SEVCAN YILMAZ Danışman: DOÇ. 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:Bulanık sistemler = Fuzzy systems ; Dalgacık = Wavelet ; Dalgacık ağı = Wavelet network ; Sinirsel bulanık mantık = Neuro fuzzy logic ; Sistem tanıma = System identification	Onaylandı Yüksek Lisans İngilizce 2009 60 s.
Bu tezde, işlem birimlerinde dalgacık fonksiyonu kullanan iki farklı bulanık sinir ağı modeli zaman serisi kestirimi ve sistem tanımlaması problemleri için önerilmiştir. Bu modellerin yapısı, bilinmeyen bir fonksiyonun giriş-çıkış verisinden bulanık kural tabanını elde etmek için kullanılan adaptif sinirsel bulanık çıkarım sistemi (ASBÇS) fikrinden gelmektedir. Bu tezde adaptif dalgacık ağ (ADA) olarak adlandırılan birinci modelde dalgacık fonksiyonları kuralların koşul kısmında üyelik fonksiyonu olarak kullanılmaktadır. ASBÇS'de ise genellikle Gaussian tipindeki üyelik fonksiyonları kullanılmaktadır. Bulanık dalgacık sinir ağı (BDSA) olarak adlandırılan ikinci modelde, dalgacık fonksiyonları kuralların sonuç kısımlarında ASBÇS' deki sıfırıncı ya da birinci dereceden polinom yerine kullanılmıştır. Yaklaşık Newton yöntemine dayanan hızlı bir gradyan eğitim algoritması BDSA modellerinin bilinmeyen parametrelerinin optimal değerlerini bulmak için kullanılmıştır. ADA modelleri gradyan algoritmasını en küçük kareler yöntemiyle birleştiren bir hibrit algoritma kullanılarak eğitilmiştir. Literatürde ölçüt olarak kullanılan bazı benzetim örnekleri de modellerin etkisini göstermek için verilmiştir.
In this thesis, two different neuro-fuzzy models which use wavelet basis functions in its processing units are proposed for time series prediction and system identification 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 in this thesis is called as adaptive wavelet network (AWN) in which wavelet basis functions are used as membership functions in antecedent part of the rules whereas mostly Gaussian type membership functions are used in the ANFIS. In the second model which is called as fuzzy wavelet neural network (FWNN), wavelet basis functions are used in consequent part of the rules instead of zero or first order polynomial function in the ANFIS. A fast training gradient algorithm based on quasi-Newton methods is used to obtain the optimal values for unknown parameters of the FWNN models. The AWN models are trained by a hybrid algorithm which combines gradient algorithm with least square estimation. Simulation examples of some benchmark problems in the literature are also given to illustrate the effectiveness of models.