Bulanõk modelleme, bir bulanõk çõkarõm sisteminde beklenen davranõşa ulaşmayõ sağlayacak parametrelerin tanõmlanmasõ işidir [57]. Yani, genel olarak bulanõk çõkarõm sistemleri hedef sistemin bilinen geçmiş davranõşlarõ esas alõnarak tasarlanõr. Bu sayede bulanõk sistemden hedef sisteminin davranõşlarõnõ taklit etmesi beklenir [55]. Dilsel ve
sayõsal gereksinimlerden dolayõ, bulanõk modelleme işlemi, modelin doğruluğu ve yorumlanabilirliği arasõndaki ters orantõlõ ilişki ile uğraşmasõ gerekir. Diğer bir deyişle, modelden yüksek hassasiyette sayõsal sonuç beklenirken bir yandan da dilsel tanõmlama gücünden mümkün olan en az kayõp beklenmektedir. Bu işlem, eldeki bilginin tam olmadõğõ veya problem uzayõ çok geniş olduğunda zor bir hale geldiğinden bulanõk modellemede otomatik yaklaşõmlarõn kullanõlmasõnõ harekete geçirir. Bulanõk modellemenin en büyük sorunlarõndan birisi de değişken sayõsõnõn artmasõ ile hesaplama gereksiniminin üssel olarak artmasõdõr.
Bir bulanõk çõkarõm sisteminin parametreleri dört kategoride sõnõflandõrõlabilir.
1. Mantõksal Parametreler. Çõkarõm işlemi sõrasõnda ikili ve bulanõk
büyüklüklerin geçirdiği dönüşüm tiplerini tanõmlayan operatör ve fonksiyonlardõr. Üyelik fonksiyonlarõnõn şekli, VE, VEYA, karõştõrma ve toplama işlemleri için uygulanan bulanõk mantõk operatörlerini ve berraklaştõrma yöntemini içerir.
2. Yapõsal Parametreler. Daha çok bulanõk sistemin büyüklüğü ile ilgilidir.
Çõkarõmda kullanõlacak değişken sayõsõ, her bir dilsel değişkeni tanõmlayacak üyelik fonksiyonu sayõsõ ve çõkarõm için kullanõlacak kural sayõsõnõ içerir.
3. Bağlayõcõ Parametreler. Sistemin topolojisi ile ilgilidirler. Değişik dilsel
örnekler arasõndaki bağlantõlarõ tanõmlarlar. Koşullarõ, sonuçlarõ ve kurallarõn ağõrlõklarõnõ içerirler.
4. İşlevsel Parametreler. Bu parametreler değişkenlerin dilsel ve sayõsal
gösterimleri arasõndaki eşleşmeyi tanõmlar. Dilsel değişkenlerin üyelik fonksiyonlarõnõ niteler.
Bulanõk modellemede mantõksal parametreler, deneyim ve problem karakteristikleri esas alõnarak genelde tasarõmcõ tarafõndan tanõmlanõr. Yargõlama mekanizmalarõ için tipik seçimler Mandani ve Sugeno tipleridir. Yaygõn bulanõk operatörler minimum, maksimum, çarpõm, sõnõrlõ çarpõm, sõnõrlõ toplam ve olasõlõklõ toplamdõr. En yaygõn
üyelik fonksiyonlarõ üçgen, yamuk ve çan tipidir. Berraklaştõrma için birkaç yöntem olsa da COA ve MOM yöntemleri en yaygõn kullanõlanlarõdõr.
Diğer parametreler önceden tanõmlõ olabileceği gibi bir sentez ve araştõrma ile sağlanabilir. Genellikle arama uzayõ ve dolayõsõ ile hesaplama gereksinimi parametre sayõsõ ile üssel olarak artar. Bu yüzden arama metodolojisine daha fazla kaynak ayrõlabileceği gibi, sisteme daha fazla önceki uzman bilgi katarak arama uzayõ daraltõlabilir. Daha önce bahsedilen doğruluk ve yorumlanabilirlik arasõndaki ilişki genellikle parametre değerlerindeki sõnõrlamalarõn kümesi olarak ifade edilir ki bu arama işlemini karmaşõklaştõrõr [57].
4.5.1.Yaklaşõmlar ve teknikler
İlk bulanõk modelleme, uzman sistemlerde kullanõlan bilgi mühendisliği yöntemlerinden esinlenmiş ve bu yöntemlere çok benzemekteydi. Mamdani, Zadeh’in düşüncelerini, doğrudan yaklaşõm dediğimiz doğrudan uzman bilgiden bulanõk bir model kurarak uygulamõştõr. Modellenen sistemdeki doğrudan yaklaşõmda, bulanõk modelin yapõsõnõ veya parametrelerini belirlemede belirli bir biçimde kullanõlmayan giriş ve çõkõş verisinin varlõğõnõn artmasõ, beraberinde uzman bilginin toplanma zorluğunu getirmiştir. Bu da bulanõk modellemede bulanõk modelin sadece bir kõsmõnõn önceki bilgiden oluşturulduğu otomatik yaklaşõmlarõn kullanõlmasõnõ harekete geçirmiştir.
Arama stratejinde ayrõlan çok fazla sayõda bulanõk modelleme yöntemi vardõr. Bunlarõn en önemlileri:
− Doğrudan yaklaşõm,
− Klasik tanõmlama algoritmalarõ temelindeki yaklaşõmlar, − Yapõcõ öğrenme yaklaşõmlarõ,
− Sinirsel-bulanõk ve evrimsel-bulanõk gibi hayattan esinlenen yaklaşõmlar olarak sayõlabilir.
BÖLÜM 5. YAPAY SİNİR AĞLARI
5.1. Giriş
İnsan okuma, nefes alma, hareket etme ve düşünce gibi işlerini kolaylaştõrmak için birbirine sõkõ sõkõya bağlõ 1011 sinir hücresinden (nöron) oluşan karmaşõk biyolojik sinir sistemi ile sağlar. Doku ve kimyanõn zengin bir birleşimi olan her bir biyolojik nöron, mikroişlemciler kadar hõzlõ olmasa da karmaşõktõr. Sahip olunan nöron yapõsõnõn bir kõsmõ doğum ile beraber gelirken diğer kõsõmlarõ ise öğrenme ile oluşur.
Bilim insanlarõ biyolojik sinir sisteminin nasõl çalõştõğõnõ yeni yeni anlamõşlardõr. Genel olarak anlayõş, hafõza da dahil olmak üzere tüm biyolojik sinirsel fonksiyonlar nöronlar ve nöronlar arasõndaki bağlantõlarda saklandõğõdõr. Öğrenme, nöronlar arasõnda kurulan yeni bağlantõlar ya da mevcut bağlantõlardaki değişiklikler olarak görülmüştür. Bu, her ne kadar biyolojik sinir sistemini anlamada temel bir bilgimiz olsa da, yanõtõ evet olan “Basit yapay nöronlar oluşturulabilir mi?” ve “Oluşturulan bu yapay nöronlar faydalõ fonksiyonlara hizmet etmeleri için eğitilebilir mi?” sorularõnõ ortaya çõkarmõştõr.
Biyolojik nöronlarõn aşõrõ derecede basit kopyalarõ olan yapay nöronlar, program parçalarõ veya bekli de silikon devre elemanlarõ olarak görülebilir. Bu yapay nöronlardan oluşturulan sistemler (ağlar), insan beyin gücünün küçük bir parçasõ bile olamayacakken, faydalõ bazõ fonksiyonlarõn gerçekleştirilmeleri için eğitilebilir sistemlerdir [62].
İnsanlõğõn doğayõ araştõrma ve taklit etme çabalarõnõn en son ürünlerinden bir tanesi olan yapay sinir ağlarõnõn (YSA) [63] bir çok tanõmlamasõ vardõr. Bu teknolojinin anahtar özelliklerinin vurgulamak için, “Yapay sinir ağlarõ, bir çok farklõ işlem elemanõ ile
oluşturulmuş dağõtõk, uyarlanabilen, genel olarak lineer olmayan öğrenen makinelerdir” tanõmlamasõ kullanõlabilir [64].
Bağlantõcõlõk veya başka bir deyişle yapay sinir ağõ çalõşmalarõ, ilk olarak nörobiyolojiden esinlenmiş olmasõna rağmen şimdilerde bilgisayar bilimi, elektrik-elektronik mühendisliği, matematik, fizik, psikoloji ve dilbilimini dahi içerecek biçimde fazlaca disiplinler arasõ bir hale gelmiştir [65].