Kural tabanlı sistemlerin bulanık ve sinirsel bulanık gösterimi

Abstract

Bu tezde "Kural Tabanlı Sistemlerin Bulanık ve Sinirsel Bulanık Gösterimi" üzerinde çalışılmıştır. Bulanık küme kavramları ve özellikleri ele alınarak bulanık küme teorisinin bilinen klasik kümeden farkı ortaya konmuştur. Bulanık küme ve bulanık sayılar incelenerek üyelik fonksiyonunun nasıl elde edilebileceği ve bulanık mantığın genel özellikleri incelenmiştir. Sinirsel Ağların genel bir özeti yapılmıştır. Bulanık sistemler daha hassas hesaplama yapmaya, bir çok belirsizliğin incelenmesini sağlamaya ve insan bilgisini kullanmaya dayalı sistemler tasarlamaya olanak tanırlar. Fakat bulanık sistemler eğitilme olanağına sahip değillerdir. Yapay Sinir Ağlan ve Bulanık Sistemler uygun bir şekilde birleştirilerek geleneksel sistemlerden daha avantajlı bir sistem tasarlamaya imkan verirler. Buradaki esas amacımız bulanık sistemlerle sinirsel ağların birlikte kullanılabilmesini sağlayabilmektir. Bulanık kural tabanlı sistemler incelenerek kuralların şart ve sonuç kısımlarının bulanık gösterimleri geliştirilmiştir. Bulanık sistemlerin klasik mantıksal çıkarım kurallarına uygun olması için gerekli şartlar aranmış ve bulanık kural tabanlı sistemler için uygunluk teoremleri geliştirilmiştir. Bulanık kural tabanlı sistemlerin Sinirsel Ağlarla gösterimi incelenmiştir. Bilgi tabanında geriye çıkarım problemi incelenerek farklı sistemlerin Sinirsel Ağ ile gösterimi için gerekli yapılar seçilmiş ve eğitilmeleri gerçekleştirilmiştir. Sinirsel bulanık kontrolörün klasik yapısı geliştirilerek yapının basitleştirilmesi için sigmoid fonksiyonunun eşik parametrelerinin eğitilmesi önerilmiştir. Gerekli eğitilme eşitlikleri elde edilmiştir. Bulanık kural tabanının gösterimi için max-min Sinirsel Ağ geliştirilmiştir. Gizli katmanlı Sinirsel Ağ ele alınmış ve giriş ile gizli katmanlardaki eşik fonksiyonları birleştirilmiştir. Max-min Sinirsel Ağlar için bulanık modelin uygunluk özelliği bulunmuştur. Max-min Sinirsel Ağların kullanımı ile bulanık sınıflandırma probleminin çözümü için bir yöntem önerilmiştir. Eğitilme verileriyle bulanık kural tabanı elde edilerek max-min sinirsel ağlar oluşturularak eğitilmiştir.

In this thesis, "The Representation of Fuzzy and Neural Fuzzy for Rule-Based Systems" is studied. The difference between fuzzy set theory and classical set theory is discussed by using properties and concepts of fuzzy sets. Besides the properties of fuzzy logic, achieving member functions by the help of fuzzy sets and numbers is examined. Neural networks are summarized. Fuzzy systems are able to compute more precise, examine uncertainty of knowledge, design more humanistic systems. But fuzzy systems are not capable of training feature. Therefore, artificial neural networks and fuzzy systems can be combined appropriately and a system which has more advantages than traditional systems can be designed. My aim is to combine fuzzy systems and neural networks together. Fuzzy representations of resulting part of fuzzy rule-based systems are developed. Fuzzy rule-based systems adequate theorems are developed when searching the fitness beetween fuzzy systems and classical logic rules. Neural networks are used to represent fuzzy rule-based systems. Training methods are implemented for different systems with neural network represention when discussing the knowledge-based back propagation problem. Training of parameters of sigmoid function is discussed by enhancing the classical structure of neural fuzzy controller. Max-min neural network is developed for representation of fuzzy rule-base (system). Hidden layered neural network is discussed and the threshold functions of input and hidden layers are assembled. Adequacy property of fuzzy model for max-min neural networks is identified. A method is suggested for the solution of fuzzy classification problem which uses max-min neural networks. Fuzzy rule-base is achieved by using trainin data and max-min neural networks are constituted and trained.