Tez No	İndirme	Tez Künye	Durumu
152464	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	A neuro-fuzzy approach to partially observable Markov decision problems / Kısmi izlenimli Markov karar yöntemlerine sinirsel-bulanık bir yaklaşım Yazar:MEHMET TOYGAR Danışman: DOÇ. DR. LEVENT AKIN Yer Bilgisi: BOĞAZİÇİ ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Anahtar Kelime:	Onaylandı Doktora İngilizce 2004 157 s.
ÖZET KISMI IZLENIMLI MARKOV KARAR YÖNTEMLERİNE SİNİRSEL-BULANIK BİR YAKLAŞIM Yapay Zeka alanında, belirsizlik altında rasyonel davranabilmek, en zor ve en önemli problemlerden biridir. Belirsiz durumlar, olasılık içeren ortamlar ve mekanik problemler ana sorunları meydana getirir. Günümüzde, belirsiz ortamları bir perfor mans kriteri ile beraber modelleyen Kısmi Izlenimli Markov Karar Yöntemleri (POMDP), bu probleme tatmin edici tek modeli getirmektedir. Bu yüzden, POMDP modeller ine çözümler bulabilmek yapay zeka alanındaki en ümit vaad edici konulardan biri haline gelmiştir. Olası çözümler, robot yönlendirme, hata saptama ve karar verme gibi sayısız alanlara da uygulanabilirler. Ne yazık ki, POMDP'lerin konvansiyonel tekniklerle çözülmeleri, çok ufak problemler için bile. çok zordur. POMDP'ler için en uygun çözümleri bulma yöntemlerinin hepsi NP-Zor olarak bilinmektedir. Konvansiy onel teknikler olarak genelde numaralandırma algoritmaları kullanılmaktadır, ancak genellemeden uzak olmaları sebebiyle, bunların üstel zaman ve yer karmaşıklıklarına sahip olacakları kesindir. Ayrıca, üretecekleri çözümlerin kontrol edilebilmelerinin zor olması bir yana anlaşılabilmeleri bile mümkün olmayabilir. Bu tez, sinirsel ağ yapılarının, bulanık mantık karar verme ve Q-Öğrenme mekaniz malarının bir kombinasyonunu kullanarak, POMDP olarak modellenmiş problemlere hızlı, dayanıklı ve kolay anlaşılabilir çözümler elde edebilmek için alışılmışın dışında bir sinirsel-bulanık teknik sunmaktadır.
IV ABSTRACT A NEURO-FUZZY APPROACH TO PARTIALLY OBSERVABLE MARKOV DECISION PROBLEMS In the field of Artificial Intelligence, behaving rationally under uncertainty is one of the hardest and most important problems. Uncertain cases, probabilistic environ ments and mechanical problems are the main obstacles. Today, Partially Observable Markov Decision Processes (POMDPs) which model uncertain environments with per formance criteria, deliver the only satisfactory solution for these problems. So, finding solutions to POMDP models is one of the most promising issues in the field. Possible solutions apply to numerous areas including robot navigation, fault detection, decision making, etc. Unfortunately, POMDPs are also very hard to solve by conventional tech niques even for very small problems. Finding optimal solutions to POMDP problems is known to be NP-hard. Mostly enumeration algorithms are used as the conventional approach, but lacking generalization, these are guaranteed to have exponential time and space complexities. Moreover, their solutions are not much understandable if not intractable. This dissertation presents a novel neuro-fuzzy approach to obtain fast, robust and easily interpreted solutions to POMDPs by utilizing a combination of several learning techniques including neural networks, fuzzy decision-making and Q-Learning.