System Idendification With Artificial Neural Networks

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2006Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2006Bu çalışmada, hatanın geriye yayılımı yöntemini kullanan çok katmanlı yapay sinir ağlarının sistem tanıma metodu olarak kullanılması incelenmiştir. Giriş ve çıkış değerleri bilinen ölü zamanlı lineer bir sistem için parametrik olmayan bir yapay sinir ağı modeli elde edilmiş ve bu model diğer sistem tanıma yaklaşımları için elde edilen modeller ile karşılaştırılmıştır. Karşılaştırma amacı ile parametrik ARX modeli ve parametrik olmayan bulanık model elde edilmiştir. Modellenecek sistem hakkında bilgi sahibi olunmadığı durumlarda, en iyi modelleme yönteminin yapay sinir ağı olduğu gösterilmiştir. Elde edilen lineer ARX modeli klasik bir PID ile, bulanık model bulanık-PID ile, yapay sinir ağı modeli ise öz-uyarlamalı nöro-PID ile kontrol edilmiştir. En büyük aşım ve yerleşme zamanı gibi performans kriterleri göz önünde bulundurulduğunda, en iyi sonuçların yapay sinir ağına dayanan öz-uyarlamalı nöro-PID ile alındığı gözlenmiştir.In this study, neural networks which use the backpropogation algorithm is examined for the system idendification problem. A non-parametric model is obtained for the lineer system which has dead-time with using the pair of input-output values. This model is compared with parametric ARX model and non-parametric fuzzy model. It is shown that the best model is obtained with neural networks if there is no information about system which is modelled. ARX model is driven with classical PID, fuzzy model is driven with fuzzy-PID and at last, neural model is driven with self-tuning neural-PID. According to the maximum overshoot and settling time criterion, the best results are taken from neural model which is driven with self-tuning neural-PID.Yüksek LisansM.Sc