-
Bilecik eyh Edebali niversitesiFen Bilimleri Enstits
Bilgisayar ve Biliim Mhendislii ABD
Do. Dr. Cihan KARAKUZU
Bulank Mantk ve Uygulamalar Dersi devi
Uyarlamal Bulank Yapay Sinir A
Parametreleri Optimizasyonu
Optimization of Adaptive Neuro-Fuzzy Inference System
Parameters
Student: Murat ZALP
Studies: Doktora
Semester: 1. Ders Dnemi
Student ID: 14132700288
Birth date: 01.04.1979
Address: Bilecik eyh Edebali niversitesi
Phone-No.: 0505.3090239
E-Mail: [email protected]
Bilecik, 2015
-
NDEK LER
1 R
...........................................................................................................................1
2 E E O R
..........................................................................................................................12.1
Bulank karm Sstem
(FIS)....................................................................................................22.2
Uyarlamal Snrsel Bulank karm Sstem
(ANFIS)....................................................3
3 Y Y Y L A M A
..............................................................................................................33.1
rnek: MATLAB FIS
Komutlar................................................................................................53.2
rnek: ANFIS Toolbox
Komutlar..........................................................................................63.3
rnek: ANFIS komutlar le ver set
uygulamas...........................................................73.4
rnek: D. Karaboa ABC
Algortmas..................................................................................93.5
rnek: PSO ve GD le Hbrd ANFIS
Optmzasyonu........................................................93.6
rnek: Babuska Toolbox
Uygulamas.................................................................................12
4 O O N Y
......................................................................................................................15
5 A AY N A A L A R
..........................................................................................................16
ii
-
ekillerResim 1: Bulank karm
sistemi................................................................................................2Resim
2: ANFIS
mimarisi..............................................................................................................3Resim
3: rnek uygulamann yellik
fonksiyonlar..............................................................6Resim
4: Eitim ve test
verileri...................................................................................................7Resim
5: Eitim ve test verileri ayn
grafikte..........................................................................8Resim
6: PSO ve GD ile hibrid ANFIS
optimizasyonu........................................................12Resim
7: FMID toolbox ile temel
uygulama...........................................................................13Resim
8: veri kmeleme , merkez belirleme
ilemi..............................................................14
izelgeler
iii
-
Ksaltmalar ve Semboller
ANFIS Adaptive Neuro Fuzzy Inference System
FIS Fuzzy Inference System
ANN Artificial Neural Network
PSO Particle Swarm Optimization
GD Gradient Descent
iv
-
1. GR
1 G R
Bu alma, ANFIS (Adaptive Neuro Fuzzy Inference System)
sisteminin bir sezgisel
optimizasyon algoritmas ile iyiletirilmesi amac ile yaplmtr.
alma srasnda kodlama ilemlerinde MATLAB platformu kullanlmtr.
Bu
platform zerinde Fuzzy Logic Toolbox ve Optimization Toolbox
gibi aralardan da
faydalanlmtr.
Bata hedeflenen aama; ANFIS sisteminin ABC (Artificial Bee
Colony)
algoritmas ile optimize edilmesi ve bu sistemin kodlarnn
MATLAB'da toolbox
kullanmadan gelitirilmesi eklindeydi. Aratrmalar ve uygulamalar
sonucunda
istenilen aamaya ulalamadndan almalar devam ettirilmektedir.
2 TEOR
Bulank mantk teorisi 1965 ylnda Lotfi Zadeh tarafndan ortaya
almtr. O gnden
gnmze kadar aktif olarak almalar yaplmtr. Bulank mantk
teorisinin
teknoloji alannda uyarlamalar zlelikle 1990'l yllara kadar
odluka popler ve
yeniliki almalardr. Bu almalarn ksa bir zeti aada
verilmitir:
1965 Lotfi Zadeh tarafndan ilk teori (USA)
1972 Toshiro Terano tarafndan ilk fuzzy alma grubu kuruldu
1973 Zadeh. fuzzy algoritmalar konusunda makale yaynlad
(USA)
1974 Ebrahim Mamdani. buharl motor kontrol (UK)
1977 Hans Zimmermann. kredi/bor uygulamasnda fuzzy
kullanlmas
(Germany)
1980 Hans Berliner. bulank tavla ve satran program (USA)
1984 Subway Sendai Transportation system control (Japan)
1985 Masaki Togai ve Hiroyuke Watanabe, BellLabs kapsamnda ilk
bulank
ipi gelitirdi (USA)
1986 Omron'da hastalk tehisi iin bulank sistem kullanld
(Japan)
1988 Omron, ilk zel amal bulank denetleyici satld (Japan)
1989 International Fuzzy Engineering Research (LIFE) isimli
laboratuvar
kuruldu. Japan
1
-
2. TEOR
1990 Sony, bulank TV gelitirdi (Japan)
1990 Fujitsu, bulank elektronik gz gelitirdi (Japan)
1990 Takeshi Yamakawa, Fuzzy Logic Systems Institute (FLSI)
enstitsn
kurdu (Japan)
1990 Siemens'te Intelligent Systems Control Laboratory kuruldu
(Germany)
1991 Motorola, eitimi kiti gelitirdi (USA)
Bulank mantk teknolojisi ilerlerken, yapay sinir alar
teknolojileri de ilerlemi
ve ikisini bir arada kullanmay amalayan ok sayda alma yaplmtr.
Bu
almalardan gnmzde halen en yaygn kullanlan, 1993 ylnda Roger
Jang
tarafndan yaynlanan ANFIS isimli modeldir.
ANFIS modeli, zetle, bulank karm sistemlerinin (FIS: Fuzzy
Inference System)
parametrelerinin beirlenmesindeki zorluu amak iin oluturulmu bir
sistemdir.
2.1 Bulank karm Sistemi (FIS)
Bilinen verileri kullanarak, bilinmeyen verileri elde etmek zere
bulank mantktan
yararlanan sietemlerere bulank karm sistemi denmektedir. Temel
FIS bileenleri
Resim 1'de gsterilmitir:
2
Resim 1: Bulank karm sistemi
-
2. TEOR
2.2 Uyarlamal Sinirsel Bulank karm Sistemi (ANFIS)
Jang tarafndan yaynlanan makalede sunulan ANFIS modeli Resim
2'de verilmitir.
Bu mimaride belirtilen katmanlar aada ksaca zetlenmitir:
1. Giri katmandr. Bu katmanda yelik fonksiyonlar kullanlarak
giriler
bulanklatrlr.
2. Girilerin etkinlik seviyelerinin belirlendii katmandr. T-norm
operatr ile
ilem yaplr.
3. Normalizasyon katmandr. Bu katmandaki her bir dmn tm
dmler
iindeki arl hesaplanr.
4. Kural katmandr. Polinom formunda (px+qy+r eklinde) verilen
kurallarn p,
q, r parametreleri bu katmanda tanmlanr.
5. nceki katmanlardan gelen tm sinyaller bu katmanda toplanarak
sonu
verisi elde edilir.
3 UYGULAMA
Uygulama aamasnda kodlarn yazlmas iin MATLAB 2012b srm
kullanlmtr. Bu alma kapsamnda verilen kodlarn tamam belirtilen
srm
zerinde uygulanmtr. Uygulama srasnda yaplan almalar aada
ksaca
zetlenmitir:
3
Resim 2: ANFIS mimarisi
-
3. UYGULAMA
1. GUI (Graphical User Interface) kullanmnn kiisel anlamda ok
fazla katks
olmayaca dnld iin, GUI kullanmndan kanlarak komut
kullanm ve program yazma ynnde almalar yapld. MATLAB yardm
dosyalar ve rnek uygulamalar incelendi.
2. MATLAB'ta ANFIS toolbox ile gelen komutlar ve kabiliyetleri
incelendi.
ANFIS yaps oluturulmas iin kullanlan genfis, anfis ve evalfis
komutlar
kullanlmaktadr. Ancak bu komular ile oluturulan ANFIS
yapsnda
optimizasyon ynteminin deitirilemeyecei grld.
3. Jang'n kiisel WEB sayfasnda, MATLAB'da ANFIS
parametrelerinin
deitirilebilmesi iin manuel ANFIS yapsnn kurulmas gerektii
grld.
Bunun iin, newfis, getfis, setfis, writefis, readfis, showfis,
plotfis,
plotmf komutlar ile manuel FIS oluturma konusunda almalar
yapld.
4. yelik fonksiyonlarna ait ncl parametreler (antecedent,
premise
parameters) ve kural parametrelerinin (consequent parameters)
online ve
offline olarak uyarlanabilmesi konusunda aratrmalar yapld.
5. Manuel oluturulan FIS parametrelerine dardan mdahale
edilmesi
konusunda; rnek olarak oluturulan a isminde bir FIS iin,
a.input,
a.output, a.rule, a=addvar(a,...), a=addmf(a,...),
a=addrule(a,...) komutlar
ile almalar yapld.
6. Robert Babuska. Tarafndan gelitirilen FMI D Eoolbox v.4.0
(Fuzzy Modeling
and Identification) ile almalar yapld. Ancak bu Toolbox ile
oluturulan FIS
struct yapsnn, MATLAB'n kendi ANFIS yaps ile uyumlu olmamas
nedeniyle karklk yaand ve inceleme sreci uzad.
7. ABC algoritmasnn gelitiricisi D. Karaboa tarafndan yazlan
MATLAB
ABC Algoritmas kodlar incelendi, rnek uygulamalar yaplmaya alld.
Bu
kodlarda algoritmann performans testi iin kullanlan fonksiyonlar
(Ackley's,
Sphere, Rosenbrock, vb.) incelendi. Data setler ile ayn
algoritma kullanlmaya
alld.
8. ABC uygulamasnn MATLAB ierisinde hazr Toolbox' olmamas ve
Genetik
Algoritma'nn Toolbox' olmas nedeniyle, Genetik Algoritma
optimizasyonu
incelendi.
4
-
3. UYGULAMA
9. PSO zerine oka alma yaplm olduu iin, MATLAB'da PSO
uygulanmas konusunda almalar incelendi, anlamaya ve
uygulamaya
alld.
10. Mathworks firmasnn File Exchange servisi zerinden
paylalan
uygulamalar incelendi. Bunlardan faydalanarak hedefe ulamaya
alld.
11. Uygulama kodlar ile urarken bir yandan da elektronik
veritabanlarnda
zellikle de IEEExplore'da makale taramas yapld.
12. Aratrmalar srasnda Hindistan Tez veritabanndan da
faydalanld:
http://shodhganga.inflibnet.ac.in/
Bu alma kapsamnda incelenen ve gereklenen uygulamalar, aada
balklar
halinde ksaca aklanmtr.
3.1 rnek: MATLAB FIS Komutlar
ncelikle MATLAB'da FIS oluturma ve dzenleme iin kullanlacak
komutlar
renilmeye allmtr. MATLAB yardm belgelerinden alnm ve incelenmi
olan
rnein kodlar aada verilmitir:
% http://www.mathworks.com/help/fuzzy/genfis1.html%% Generate a
FIS using grid partition.data = [rand(10,1) 10*rand(10,1)-5
rand(10,1)];
numMFs = [3 7];
mfType = char('pimf','trimf');
fismat = genfis1(data,numMFs,mfType);
%% Plot the FIS input membership functions.[x,mf] =
plotmf(fismat,'input',1);
subplot(2,1,1), plot(x,mf);
xlabel('input 1 (pimf)');
[x,mf] = plotmf(fismat,'input',2);
subplot(2,1,2), plot(x,mf);
xlabel('input 2 (trimf)');
stte kodlar verilmi olan uygulamann kts altta verilmitir:
5
-
3. UYGULAMA
3.2 rnek: ANFIS Toolbox Komutlar
MATLAB yardm belgelerinden alnan rnek uygulama zerinde
incelemeler
yaplmtr. Bu rnek uygulama, en temel ANFIS yapsn komutlar ile
oluturmaktadr. lgili program kodu aada verilmitir:
%% Create single-input-single-output training data.x =
(0:0.2:10)';
y = sin(2*x)./exp(x/5);
trnData = [x y];
%% Define an FIS structure with five bell-shaped input
membership functions.numMFs = 5;
mfType = 'gbellmf';
in_fis = genfis1(trnData,numMFs,mfType);
%% Train the FIS using 20 training epochs. Suppress the Command
Window display.epoch_n = 20;
dispOpt = zeros(1,4); % Display Optionsout_fis =
anfis(trnData,in_fis,20,dispOpt);
%% Compare the ANFIS output with the training
data.plot(x,y,'xb',x,evalfis(x,out_fis),'or');
legend('Training Data','ANFIS Output');
6
Resim 3: rnek uygulamann yellik fonksiyonlar
-
3. UYGULAMA
stte kodlar verilmi olan uygulamann kts aada verilmitir:
Bu uygulamada, y = sin(2*x)./exp(x/5) eklinde belirtilen bir
fonksiyonun
rettii deer kmesi baz alnmtr. genfis1 komutu ile FIS oluturulmu,
anfis
komutu ile oluturulan bu FIS eitilmi ve evalfis komutu ile ANFIS
yapsnn
verecei cevaplar elde edilmitir.
stteki uygulamada fonksiyondan retilen verilerin yerine, eldeki
bir veri
kmesini kullanmak iin aadaki ekilde uygulama yaplmtr:
x = [0, 5, 10, 20, 30, 40]';
y = [1.787, 1.519, 1.307, 1.002, 0.7975, 0.6529]';
trnData = [x y];
Bizim yapmamz gereken uygulamada elimizde bir fonksiyon yerine
sadece
saysal deerler olacandan, stteki uygulama zerinde farkl
verilerle allmtr.
3.3 rnek: ANFIS komutlar ile veri seti uygulamas
Bu uygulamada, matris biimindeki bir veri seti hem eitim hem de
test iin
kullanlyor. Veri seti iki paraya blnyor. Bunu yapmak iin tek
sayl ve if
sayl indisler ayrlyor. Son olarak eitim verileri ile test
verileri ayn grafikte
izdiriliyor. Uygulama kodlar ve kts aada verilmitir:
% y = 0 . 6 sin( x ) + 0 . 3 sin( 3 x ) + 0 . 1 sin( 5 x )%
Number of input data points numPts = 51 and input data xnumPts=51;
x=linspace(-1,1,numPts)';
7
Resim 4: Eitim ve test verileri
-
3. UYGULAMA
y=0.6*sin(pi*x)+0.3*sin(3*pi*x)+0.1*sin(5*pi*x);
% Store data in matrix; use part for training part for
checkingdata=[x y]; % total data settrndata = data(1:2:numPts,:); %
training data set% 1'den bala. 2'er git. numPts'ye kadar
git.chkdata = data(2:2:numPts,:); % checking data set% number of
membership functionsnummfs=5;
mftype='gbellmf'; % membership functions type is generalized
bellfismat = genfis1(trndata,nummfs,mftype);
%% Now start the actual optimization procedure by calling anfis
.% Determine number of iterationsnumepochs = 40;
% Start the optimization[fismat1, trnerr, ss, fismat2, chkerr]=
...anfis(trndata, fismat, numepochs, NaN, chkdata);
out=evalfis(chkdata(:,1),fismat1);% Evaluates the
outputfigure;hold;
plot(x,y,'-g','LineWidth',1); grid
plot(chkdata(:,1),chkdata(:,2),'.k','LineWidth',2);
plot(chkdata(:,1),out,'xr','LineWidth',2);
legend('Gercek fonksiyon','Egitim verisi','Cikis verileri');
8
Resim 5: Eitim ve test verileri ayn grafikte
-
3. UYGULAMA
3.4 rnek: D. Karabo a ABC Algoritmas
D. Karaboa tarafndan, algoritma iin oluturulan WEB sayfas
zerinden
algoritmann MATLAB kodlar indirildi. Kodlar anlalmaya alld ancak
temel
parametrelerin ve eitim verilerinin deiirilmesinden teye
gidilemedi. Aada bu
kodlarn parametre tanmlama ksm verilmitir:
%/* Control Parameters of ABC algorithm*/NP=20; %/* The number
of colony size (employed bees+onlooker bees)*/FoodNumber=NP/2;
%/*The number of food sources equals the half of the colony
size*/limit=100; %/*A food source which could not be improved
through "limit" trials is abandoned by its employed
bee*/maxCycle=5; %/*The number of cycles for foraging {a stopping
criteria}*/
%/* Problem specific variables*/objfun='TestData'; %cost
function to be optimizedD=100; %/*The number of parameters of the
problem to be optimized*/ub=ones(1,D)*100; %/*lower bounds of the
parameters. */lb=ones(1,D)*(-100);%/*upper bound of the
parameters.*/
runtime=1;%/*Algorithm can be run many times in order to see its
robustness*/
3.5 rnek: PSO ve GD ile Hibrid ANFIS Optimizasyonu
Bu uygulamada, 2007 ylnda Ahmadieh Khanesar tarafndan IEEE'de
Hybrid
Training of Recurrent Fuzzy Neural Network Model isimli almann
kodlar ile
kullanlmtr.
Yaynlanan almada; PSO (Particle Swarm Optimization) ve GD
(Gradient
Descent) algoritmalar birlikte kullanlarak ANFIS eitimi
salanmtr. yelik
fonksiyonlarn optimize etmek iin PSO kullanlmtr. GD ise kural
parametrelerini
optimize etmek iin kullanlmtr. Aada uygulamann kodlar ve ekran
kts
verilmitir:
% mainMaxiter=2;
popsize=10;
% rand('state',1);numofMF=[2 2];
numofinput=2;
9
-
3. UYGULAMA
vec=24;
net=createnf(numofinput,numofMF);
pop=2*rand(popsize,vec/3)-1;
pop=sort(pop')'
pop=[pop rand(popsize,vec/3)];
pop=[pop rand(popsize,vec/3)-0.5];
v=0.2*rand(popsize,vec)-0.1;
load('dat5.mat');
% x=2*(x-min(x))/(max(x)-min(x))-1;u1=u(1:500);
u2=y(1:500);
% u3=x(1+10:500+10);utrain=[u1' u2']; %seti ikiye blyor. yarsn
eitim iin kullanyor.ytrain(:,1)=y(2:501);
u1t=u(501:1001); %setin geri kalan ksm test
verisiu2t=y(501:1001);
ut=[u1t' u2t'];
yt(:,1)=y(502:1002);
y=ytrain;
u=utrain;
for i=1:popsize alpha{i}=-1+2*rand(size(net.alpha));
endfor i=1:popsize
temp=cost(pop(i,:),u,y,numofMF,numofinput,alpha{i});
f(i)=temp{1};
endpbest=f;
[gbest lab1]=min(f);
xgbest=pop(lab1,:);
alphagbest=alpha{lab1};
alphapbest=alpha;
vmax=0.1; c1=1; c2=1;
% figure(1)temptemp=[];
temptemp1=[];
figure(1)
gbest1=gbest;
II=0;
for iter=1:Maxiteriter
% pause(0.1)
10
-
3. UYGULAMA
if gbest1==gbest II=II+1;
else gbest1=gbest;
II=0;
end if II==5 II=0;
v=0.2*rand(popsize,vec)-0.1;
end for i=1:popsize
temp=cost(pop(i,:),u,y,numofMF,numofinput,alpha{i});
alpha{i}=temp{2};
f(i)=temp{1};
end for i=1:popsize if f(i)
-
3. UYGULAMA
pop=pop+v;
temptemp=[temptemp gbest];
alaki=cost(xgbest,ut,yt,numofMF,numofinput,alphagbest);
temptemp1=[temptemp1 alaki{1}];
plot(temptemp);
hold on
plot(temptemp1,'r');
drawnow
endcost1(xgbest,u,y,numofMF,numofinput,alphagbest)
cost1(xgbest,ut,yt,numofMF,numofinput,alphagbest)
gbest
clc
[pp, iterasyon]=min(temptemp1)
temptemp(iterasyon)
Resim 6: PSO ve GD ile hibrid ANFIS optimizasyonu
3.6 rnek: Babuska Toolbox Uygulamas
Robert Babuska, bulank sistemler konusunda ok sayda alma yapmtr.
Kendisi
de MATLAB ile kullanlmak zere, FMID (Fuzzy Modeling and
Identification) isminde
bir toolbox gelitirmitir. Bu toolbox kullanlarak, ayn MATLAB'n
dahili FIS/ANFIS
12
-
3. UYGULAMA
komutlar gibi FIS sistemler uygulanabilmektedir. Babuska'nn
toolbox'nn zellii
ise hem ok sade kod gelitirmeye olanak vermesi hem de
parametrelerin
dzenlenmesi konusunda daha esnek olmasdr. Dier tarafan; FIS
yapsn dorudan
LaTEX biimine evirme gibi gzel zellikleri de bulunmaktadr.
Toolbox
kurulduktan sonra, fmidemo komutu ile toolbox ierisinde hazr
gelen demolar
incelenebilir.
Aada FMID kullanlan basit bir SISO (tek giri ve tek kl)
uygulamann
kodlar ve kts verilmitir:
% This example is implemented in statdemo.%First, prepare the
structure containing the input and output datau = (0:0.02:1)';
y = sin(7*u);
Dat.U = u;
Dat.Y = y;
Par.c= 5;
Par.ante = 2;
% Now fmclust which automatically constructs the% fuzzy model
and returns it in the structure FM:[FM,Mu] = fmclust(Dat,Par);
% The output of the model can be computed for the any input data
by:[ym,VAF] = fmsim(u,y,FM);
legend ('gercek degerler','uretilen degerler');
13
Resim 7: FMID toolbox ile temel uygulama
-
3. UYGULAMA
FMID toolbox komutlar ile ilgili rnek kodlar olduka okunakl
olmaktadr.
Yukardaki koda bakldnda temel olarak 3 blmden olumaktadr. lk
blmde
parametrelerin ve verilerin belirlenmesi salanmaktadr. Ikinci
blmde, fmcluster
komutu ile ANFIS oluturulmaktadr. Son ksmda da fmsim komutu ile
grafikler
izdirilmektedir. Fmcluster komutu iki parametre almaktadr. Bu
parametrelerin ikisi
de matris biiminde vektrel deikenlerden oluan struct veri
yaplardr.
fmcluster komutu, ANFIS'i oluturmak iin kullanlmaktadr. Komutun
grevi
olarak clustering (kmeleme) ifadesi yer almaktadr. Buradaki
kmeleme, eitim veri
setinin kmelenmesi ve bu sayede kural saysnn optimize edilmesi
amacn
tamaktadr. Par.c=5 eklinde yaplan veri atama ilemi ile,
fmcluster komutunun, 5
tane kme oluturmas, dolaysyla FIS ierisinde 5 tane kural
kullanmas gerektiini
belirtir. Kmeleme yaparken, Gustafson-Kessel algoritmasn
kullanmaktadr.
Aada rnek bir kmeleme ilemi ekran grnts verilmitir:
14
Resim 8: veri kmeleme , merkez belirleme ilemi
-
4. SONU
4 SONU
Hedeflediimiz sonuca ulalamamtr. alma srasnda yaanan
problemler
aada zetlenmitir:
1. Yapay Sinir Alar konusunda bilgi eksiklii
2. Optimizasyon konusunda bilgi eksiklii
3. Bulank Sistemler konusunda tecrbesizlik
ANFIS yapsnn, farkl optimizasyon algoritmalar ile eitilmesi
konusunda
almaya devam edilmektedir. Babuska'nn toolbox' zerine allmas
palnlanmaktadr.
15
-
5. KAYNAKLAR
5 KAYNAKLAR
Kodlar ve aklamalar gibi spesifik kaynaklar dorudan metnin iinde
link olarak
veya kodlarn banda aklama olarak verilmitir. Bunlarn haricinde
yararlanlan
kaynaklar sralanmtr.
A EAP LAR
1. Ercan ztemel, Yapay Sinir A lar
2. Leonid Reznik, Fuzzy Controllers
3. S. N. Sivanandam, S. Sumathi and S. N. Deepa, Introduction to
Fuzzy Logic using
MATLAB
4. Vasilios N. Katsikis, MATLAB - A Fundamental Tool for
Scientific Computing and
Engineering Applications Volume_2
5. Earl Cox - Fuzzy Modeling Tools for Data Mining and Knowledge
Discovery
6. Matthew A. Martin, Flirtation, a Very Fuzzy Prospect: a
Flirtation Advisor
7. J. Wesley Hines, Fuzzy and Neural Approaches in Engineering
MATLAB
Supplement
8. Mathworks, Fuzzy Logic Toolbox User's Guide
9. Roger Jang, Neuro-Fuzzy and Soft Computing
MAAALE ve E EZLER
1. Ahmadieh Khanesar, Hybrid Training of Recurrent Fuzzy Neural
Network Model
2. Cristopher R. Houck, Genetic Algorithm for Function
Optimization: A Matlab
Implementation
3. Nafiz Berber & Asl Boru, Adapt f a yapisina dayali
bulanik ikarim s stem le hava
tahm n
4. Hasan Rza ZALIK & Ali Fazl UYGUR, Dinamik Sistemlerin
Uyumlu Sinirsel-
Bulank A Yapsna Dayal Etkin Modellenmesi
16
-
5. KAYNAKLAR
5. Nthabiseng Hlalele, Imputation of Missing Data Using PCA,
Neuro-Fuzzy and
Genetic Algorithms
6. Roger Jang, ANFIS: Adaptive-Network-Based Fuzzy Inference
System
7. Dervis Karaboga & Ebubekir Kaya, Training ANFIS Using
Artificial Bee Colony
Algorithm
8. Mohamed Mosaad & Fawzan Salem, LFC based adaptive PID
controller using ANN
and ANFIS techniques
9. Mourad Turki & Sana Bouzaida, Modeling and OnLine Control
of Nonlinear Systems
using Neuro Fuzzy Learning tuned by Metaheuristic Algorithms
10.zlem Yldrm, Sezg sel Arama Algor tma Tabanli Bulanik S stem
Opt m zasyonu
11.Sekin TAMER, Paracik Srs Opt m zasyon Algor tmasi le Bulanik
Nral A
E t m
12.Tufan na, BBO Algoritmasnn Optimizasyon Ba armnn
ncelenmesi
17
1 GR2 TEOR2.1 Bulank karm Sistemi (FIS)2.2 Uyarlamal Sinirsel
Bulank karm Sistemi (ANFIS)
3 UYGULAMA3.1 rnek: MATLAB FIS Komutlar3.2 rnek: ANFIS Toolbox
Komutlar3.3 rnek: ANFIS komutlar ile veri seti uygulamas3.4 rnek:
D. Karaboa ABC Algoritmas3.5 rnek: PSO ve GD ile Hibrid ANFIS
Optimizasyonu3.6 rnek: Babuska Toolbox Uygulamas
4 SONU5 KAYNAKLAR