Bu çalıĢma, insan operatörün denetim eylemlerine ait verilerin toplanması için bir deney düzeneği tasarlanması ve bu eylemlerin doğrusal, sinirsel-bulanık ve bulanık yöntemlerle modellenmesini, elde edilen modellerin de bulanık ve doğrusal denetleyiciler olarak kullanılmasını amaçlamaktadır. Elde edilen modeller kapalı çevrim sistemde insan operatörün yerini alacak Ģekilde denetleyici olarak kullanılmıĢtır. Modellerin performansları insan operatörün denetim eylemleriyle karĢılaĢtırılmıĢtır. Sonsuz adım öngörü ufkuna göre insan operatörün denetim eylemleri ile modellerin cevapları yaklaĢık %80 oranında benzerlik göstermiĢ ve modeller baĢarılı bulunmuĢtur. Elde edilen denetleyiciler, Çizelge 5.1’de karĢılaĢtırılmıĢtır.
Doğrusal sistem tanıma yöntemleri ile elde edilen yerel ARX modeller basit, kararlı ve uygulaması kolay olan modeller olmaktadır. ÇevrimdıĢı ve çevrimiçi eğitim süreçleri basit ve kısa olmaktadır. Modellerin parametreleri, çevrimdıĢı olarak en küçük kareler ve çevrimiçi olarak özyinelemeli en küçük kareler yöntemleri kullanılarak bulunmuĢtur. Elde edilen ayrık zamanlı modeller, sayısal bilgisayar programlama yapısına uygundur. Modele ait mertebelerin belirlenmesi de çeĢitli ölçütlere göre (ABÖ, EKTU gibi) yapılabilir. Bu çalıĢmada da yerel ARX modellerle tatmin edici sonuçlar elde edilmiĢtir.
Ġnsan operatörün doğrusal olmayan denetim davranıĢlarının da temsil edilebileceği düĢüncesi ile yerel ARX modeller, bulanık mekanizma ile bileĢtirilerek denetleyici olarak kullanılmıĢlardır. Önerilen yapıda modellerin parametreleri yine çevrimdıĢı olarak en küçük kareler ve çevrimiçi olarak özyinelemeli en küçük kareler yöntemleri kullanılarak bulunmuĢtur. Bu yapıda, modeller arası geçiĢler keskin değil bulanık olarak gerçekleĢmektedir. Böylelikle elde edilen denetleyicinin insan operatörü temsil etme yeteneği küçük de olsa artmıĢtır. Bu denetleyici yapısı yine yerel modellerden oluĢmaktadır.
66
Uyarlamalı sinirsel bulanık çıkarım sistemi modellerinin yapıları, yerel ARX modellerden daha karıĢıktır. GiriĢ sayısı ve her giriĢ için üyelik fonksiyonu sayısı, giriĢ ve çıkıĢa ait üyelik fonksiyonlarının yapısı seçimi için belirli bir ölçüt yoktur. GiriĢ sayısı ve giriĢ için kullanılacak üyelik fonksiyonu sayısına göre belirlenmesi gereken parametre sayısı, dolayısıyla iĢlem yükü üstel olarak değiĢmektedir. USBÇS modelinin yapısına karar verildikten sonra modelin parametreleri melez algoritma ile kısa sürede bulunabilmektedir. Bu algoritma çevrimiçi tanılama yapmaya da uygundur. Böyle bir yapıda yerel modeller yerine tek bir genel model, denetleyici olarak kullanılmıĢtır.
GA, çok güçlü bir en iyileĢtirme algoritmasıdır ve bu algoritmayla sıfırıncı ve birinci mertebeden TS tipinde tek bir genel bulanık modellerin parametreleri elde edilmiĢtir. Sıfırıncı ve birinci mertebeden TS modeller ise yalnızca bir genel modelle oldukça iyi performans göstermektedir. Birinci mertebeden TS modellerin çıkıĢa ait olan doğrusal parametre sayısı, giriĢ sayısı ile orantılı olarak artmaktadır. Dolayısıyla hemen hemen aynı baĢarıyı gösteren sıfırıncı mertebeden TS model kullanmak yapıyı basitleĢtirecek ve çevrimiçi tanılama iĢlem yükünü azaltacaktır.
Ġnsan operatörlerin denetim eylemlerinin modellenmesi için ilk kez bu çalıĢmada kullanılan BH model ise TS tipindeki bulanık modellerden daha basit yapıya sahiptir. Dolayısıyla belirlenmesi gereken doğrusal olan ve doğrusal olmayan parametre sayısı oldukça düĢmektedir. Böyle bir yapı hem çevrimdıĢı hem çevrimiçi tanılamaya uygundur. Bu çalıĢmada da GA ile çevrimdıĢı parametre kestirimi yapılmıĢtır. Çizelge 5.1’den de görüldüğü gibi en yüksek performansı da BH model göstermiĢtir. Öte yandan, denetleyici olarak kullanılan bazı USBÇS modellerin performansları düĢük olmakta, bazı modeller ise sistemin uç konumunda çok büyük salınımlar ortaya çıkartmaktadır. Bu durumun nedeni denetlenen sistemin doğrusal olmamasıdır. Dolayısıyla çevrimdıĢı olarak elde edilen modellerin çevrimdıĢı performansları yüksek olsa bile çevrimiçi denemeler yapılması ve nihai yapının ancak çevrimiçi performansın da değerlendirilmesiyle belirlenmesi gerekmektedir.
Çizelge 5.1 : Elde edilen modellerin performansları.
Performans Parametre sayısı Eğitim süresi
%uyum (u) %uyum (y) Doğrusal olan
Doğrusal
olmayan Çevrimiçi ÇevrimdıĢı
Keskin geçiĢli yerel ARX modeller 47,1 77,9 12 0 Çok kısa Çok kısa
Bulanık geçiĢli yerel ARX modeller 48,1 77,1 12 17 Çok kısa Çok kısa
USBÇS model 33,1 79,5 18 81 Kısa Kısa
Sıfırıncı mertebeden TS model 45,0 75,3 8 12 Uzun Uzun
Birinci mertebeden TS model 51,9 79,2 32 12 Uzun Uzun
68
Bu çalıĢmanın bir uzantısı, insan operatörün denetim eylemlerinin ve denetlenen sistemin çıkıĢının öngörülmesidir. Ġnsan operatörlerin kullandıkları birçok sistem matematiksel olarak modellenebilir. Ġnsan operatörün denetim eylemlerinin matematiksel modeliyle denetlenen sistemin benzetimi yapılırsa, erken uyarı sistemleri gibi çeĢitli uygulamalar gerçekleĢtirilebilir. Öngörü algoritması geliĢtirilme aĢamasındadır.
Bu çalıĢmanın baĢka bir uzantısı da deneyimli insan operatörlerin denetim eylemlerinin toplandığı bir veritabanı oluĢturulması ve bu veritabanının deneyimsiz insan operatörlerin eğitimi için kullanılması amacıyla geniĢletilebilir. Bu sayede eğitim için harcanan zaman ve maliyetler azaltılabilir.
KAYNAKLAR
Abonyi, J., 2003. Fuzzy Model Identification for Control, Birkhӓuser, Boston. An, P. E. ve Harris C. J., 1996. An Intelligent Driver Warning System for Vehicle
Collision Avoidance, IEEE Transactions on Systems, Man, and
Cybernetics-Part A: Systems, and Humans 26(2), sf: 254-261.
Babuska, R., 1998. “Fuzzy Modeling for Control”, Kluwer Academic Publishers, Boston.
Bendat, J. S. ve Piersol, A. G., 1986. Random Data - Analysis and Measurement Procedures (Second Edition), John Wiley and Sons, New York.
Boer, E. R. ve Kenyon, R. V., 1998. Estimation of Time-Varying Delay Time in Non-Stationary Linear Systems: An Approach to Monitor Human Operator Adaptation in Manual Tracking Tasks, IEEE Transactions
on Systems, Man, and Cybernetics-Part A: Systems, and Humans 28(1), sf: 89-99.
Chen, L.-K., ve Ulsoy, A. G., 1999. Driver Model Uncertainty, Proceedings of the
American Control Conference, San Diego, CA, sf: 714-718.
Chen, L.-K. ve Ulsoy, A. G., 2000. Identification of a Nonlinear Driver Model via NARMAX Modeling, Proceedings of the American Control
Conference, Chicago, Illinois, June 2000, sf: 2533-2537.
Chen, L.-K. ve Ulsoy, A. G., 2001. Identification of a Driver Steering Model, and Model Uncertainty from Driving Simulator data, Journal of Dynamic
Systems, Measurement, and Control, Vol: 123. sf: 623-629.
Çelik, Ö., 2006. Ġnsan Operatörlerin Akıllı Sistemlerle Modellenmesi, Yüksek Lisans Tezi, Ġstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü. Çelik, Ö., Ertuğrul, H. ve Ertuğrul, ġ., 2008. Ġnsan Operatörlerin Akıllı
Sistemlerle Modellenmesi, Türk Otomatik Kontrol Ulusal Konferansı
2008 (TOK’08), Ġstanbul, Türkiye, 13-15 Kasım 2008.
Doman, D. B. ve Anderson, M. R., 2000. A Fixed-Order Optimal Control Model of Human Operator Response, Automatica 36 sf: 409-418.
Elnaby, M. A., Enab, Y. M. ve Hemeda, H. M., 2000. Computer Based Model for Human Operator and Its Application to Pole Balancing Problem,
Journal of Engineering, and Applied Sciences 47(2), sf: 339-356.
Enab, Y. M., 1995. Controller Design for an Unknown Process, using Simulation of a Human Operator, Engineering Application of Artificial Intelligence
8(3), sf:299-308.
70
Ertuğrul, ġ., 2003. Design of a Human-Computer Interaction Software for Dynamic Modeling of Human Operators Based on the Identification Theory,
Third Triennial International Conference on Applied Automatic Systems, Ohrid, Republic of Macedonia, September 18-20.
Ertuğrul, ġ. ve Hizal, N. A., 2005. Neuro-Fuzzy Controller Design via Modeling Human Operator Actions, Journal of Intelligent & Fuzzy Systems, Vol: 16, sf: 133-140.
Ertuğrul, ġ., 2008. Predictive Modeling of Human Operators using Parametric and Neuro-Fuzzy Models by Means of Computer-Based Identification Experiment, Engineering Applications of Artificial Intelligence, Vol: 21, sf: 259-268.
Gingrich, C. G., Kuespert, D. R. ve McAvoy, T. J., 1992. Modeling Human Operators Using Neural Networks, ISA Transactions 31(3) sf: 81-90. Innocenti, M., Balluchi, A. ve Balestrino, A., 1997. New Results on Human
Operator Modeling During Nonlinear Actions in the Control Loop,
Proceedings of the American Control Conference, Vol: 4,
sf: 2567-2570, Albuquerque, NM.
Jagacinski, R. J. ve Flach, J. M., 2002. Control Theory for Humans: Quantitative Approaches To Modeling Performance, Lawrence Erlbaum Associates, Inc., Publishers, USA.
Jang, J.-S., 1993. ANFIS: Adaptive-Network-based Fuzzy Inference Systems, IEEE
Transactions on Systems, Man and Cybernetics, Vol: 23, No: 3,
sf: 665-685.
Jang, J.-S. ve Sun, C.-T., 1995. Neuro-Fuzzy Modeling and Control, Proceedings of
IEEE 83(3), sf: 378-405.
Jang, J.-S., Sun, C.-T. ve Mizutani, E., 1997. Neuro-Fuzzy and Soft Computing - A Computational Approach to Learning and Machine Intelligence, Prentice Hall, Upper Saddle River, New Jersey.
Kelley, C.R., 1968. Manual and Automatic Control, Wiley, New York.
Kleinman, D. L., Levison, W. H. ve Baron, S., 1970. An Optimal Control Model of Human Response, Part I: Theory and Validation, Automatica, 6(3), sf: 357-369.
Ljung, L., 1999. System Identification - Theory for the User, Prentice Hall, Upper Saddle River, New Jersey.
Passino, K. M., 2005. Biomimicry for Optimization, Control, and Automation, Springer-Verlang London Limited.
Pilutti, T. ve Ulsoy, A. G., 1999. Identification of Driver State for Lane-Keeping Tasks, IEEE Transactions on Systems, Man and Cybernetics - Part A:
Systems and Humans, Vol: 29, No: 5, sf: 486-502.
Malek, A. A. ve Marmarelis, V., 1990. A Model of Human Operator Actions During Pursuit Manual Tracking - What Does It Reveal?, IEEE
International Conference on Systems, Man, and Cybernetics I,
Mamdani, E. H. ve Assilian, S., 1975. An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller, International Journal of Man-Machine
Studies, Vol: 7, No: 1, sf: 1-13.
McRuer, D. T., Graham, D., Krendel, E.S. ve Reisener, W., Jr, 1965. Human Pilot Dynamics in Compensatory Systems: Theory, Models, and Experiments with Controlled Element and Forcing Function Variations, Wright-Patterson AFB, Ohio, AFFDL-TR-65-15.
McRuer, D. T., 1980. Human Dynamics in Man-Machine Systems, Automatica, Vol: 16, sf: 237-253.
Rouse, W. B., 1980. Systems Engineering Models of Human-Machine Interaction, North-Holland, New York.
Sasaki, M., Inooka, H. ve Ishikura, T., 1990. Manual Control of a Flexible Arm and Its Application to an Automatic Control System, IEEE
Transactions on Systems, Man and Cybernetics, Vol: 20, No: 3,
sf: 718-722.
Shaw, I. S., 1993. Fuzzy Model of a Human Control Operator in a Compensatory Tracking Loop, International Journal of Man-Machine Studies, Vol: 38, sf: 305-332.
Sheridan, T. B. ve Ferrell, W. R., 1974. Man Machine Systems, MIT Press, Cambridge, Massachusetts.
Soma, H. ve Hiramatsu, K., 1995. Dynamic Identification of Driver-Vehicle System using AR-Method, Vehicle System Dynamics, Vol: 24, sf: 263-282.
Söderström, T. ve Stoica, P., 1989. System Identification, Prentice Hall, University Press, Cambridge, Great Britain.
Sugeno, M., 1985. “Industrial Applications of Fuzzy Control”, Elsevier Science Pub. Co., New York.
ġimĢir, U., ve Ertuğrul, ġ., 2009. Prediction of Manually Controlled Vessels’ Position and Course Navigating in Narrow Waterways Using Artificial Neural Networks, Applied Soft Computing.
Wang, L. X., 1997. A Course in Fuzzy Systems and Control, Prentice Hall, New Jersey.
Weir, D. H. ve McRuer, D. T., 1970. Dynamics of Driver Vehicle Steering Control, Automatica, Vol:6, sf: 87-98.
Wickens, C. D., 1992. Engineering Psychology and Human Performance, Harper Collins Publishers Inc, New York.
Zadeh, L. A., 1965. Fuzzy Sets, Information and Control 8 (3), sf: 338-353.
Zapata, G. O. A., Galvao, R. K. H. ve Yoneyama, T., 1999. Extracting Fuzzy Control Rules from Experimental Human Operator Data, IEEE
Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics 29(3), sf: 398-406.
EKLER
EK A: LabVIEW® ile hazırlanan programlar.
EK A.1: LabVIEW® ile hazırlanan kullanıcı arayüzü. EK B: MATLAB® ile hazırlanan programlar.
EK B.1: start_ga_TS_const.m EK B.2: TS_obj_const.m EK B.3: start_ga_TS_lin.m EK B.4: TS_obj_lin.m EK B.5: start_ga_FH.m EK B.6: FH_obj.m
76 EK B.1: start_ga_TS_const.m clc load tei_ui for i = 1:10 nvars = 14; PopulationSize_Data = 100; EliteCount_Data = PopulationSize_Data/10; if i ~= 1 load populationTS load scoreTS InitialPopulation_Data = population; InitialScores_Data = score; end lb = [-3*ones(1,8) zeros(1,6)]; ub = [ 3*ones(1,8) ones(1,6)];
% Start with the default options
options = gaoptimset;
% Modify options setting
options = gaoptimset(options,'PopulationSize', PopulationSize_Data);
options = gaoptimset(options,'PopInitRange', [lb;ub]);
options = gaoptimset(options,'EliteCount', EliteCount_Data); options =
gaoptimset(options,'MutationFcn',{@mutationgaussian,10,1});
if i ~= 1
options = gaoptimset(options,'InitialPopulation', InitialPopulation_Data);
options = gaoptimset(options,'InitialScores', InitialScores_Data);
end
options = gaoptimset(options,'StallGenLimit', Inf); options = gaoptimset(options,'TolFun', 0);
options = gaoptimset(options,'Display', 'iter'); options = gaoptimset(options,'Vectorized', 'off'); options = gaoptimset(options,'UseParallel', 'never'); options = gaoptimset(options,'Generations', 20); LB = [-30*ones(1,8) zeros(1,6)]; UB = [ 30*ones(1,8) ones(1,6)]; [x,fval,exitflag,output,population,score] = ... ga(@TS_obj_const,nvars,[],[],[],[],LB,UB,[],options);
save populationTS population
save scoreTS score
save iTS i
if exitflag == -1 break
end end
EK B.2: TS_obj_const.m
function [fit] = TS_obj_const(X)
load tei_ui
a = X(1:8); p = X(9:11); q = X(12:14);
fismat = newfis('HO','sugeno');
fismat = addvar(fismat,'input','e14',[-1 +1]);
fismat = addmf(fismat,'input',1,'N','zmf',[-p(1) q(1)]); fismat = addmf(fismat,'input',1,'P','smf',[-q(1) p(1)]); fismat = addvar(fismat,'input','u1',[-1 +1]);
fismat = addmf(fismat,'input',2,'N','zmf',[-p(2) q(2)]); fismat = addmf(fismat,'input',2,'P','smf',[-q(2) p(2)]); fismat = addvar(fismat,'input','u2',[-1 +1]);
fismat = addmf(fismat,'input',3,'N','zmf',[-p(3) q(3)]); fismat = addmf(fismat,'input',3,'P','smf',[-q(3) p(3)]); fismat = addvar(fismat,'output','voltage',[-1 +1]); fismat = addmf(fismat,'output',1,'1','constant', a(1)); fismat = addmf(fismat,'output',1,'2','constant', a(2)); fismat = addmf(fismat,'output',1,'3','constant', a(3)); fismat = addmf(fismat,'output',1,'4','constant', a(4)); fismat = addmf(fismat,'output',1,'5','constant', a(5)); fismat = addmf(fismat,'output',1,'6','constant', a(6)); fismat = addmf(fismat,'output',1,'7','constant', a(7)); fismat = addmf(fismat,'output',1,'8','constant', a(8)); ruleList = [ 1 1 1 1 1 1 1 1 2 2 1 1 1 2 1 3 1 1 1 2 2 4 1 1 2 1 1 5 1 1 2 1 2 6 1 1 2 2 1 7 1 1 2 2 2 8 1 1 ];
fismat = addrule(fismat, ruleList); writefis(fismat,'fismat_TS_const'); sim('TS_const_mdl')
fit = norm(uh-ui)/sqrt(length(uh));
ġekil B.1 : TS_const_mdl.mdl ve TS_lin_mdl.mdl.
1 u(t) 1 c_1 2.5 b_1 1 a_2 1 a_1 [-1 +1] -1 Z -14 Z -2 Z Bulanik Yapi 1 e(t) u(t-2) e(t) e(t-14) u(t-1)
78 EK B.3: start_ga_TS_lin.m clc load tei_ui for i = 1:10 nvars = 40; PopulationSize_Data = 100; EliteCount_Data = PopulationSize_Data/10; if i ~= 1 load populationTS load scoreTS InitialPopulation_Data = population; InitialScores_Data = score; end lb = [-3*ones(1,8) zeros(1,6)]; ub = [ 3*ones(1,8) ones(1,6)];
% Start with the default options
options = gaoptimset;
% Modify options setting
options = gaoptimset(options,'PopulationSize', PopulationSize_Data);
options = gaoptimset(options,'PopInitRange', [lb;ub]);
options = gaoptimset(options,'EliteCount', EliteCount_Data); options = gaoptimset(options, 'MutationFcn',
{@mutationgaussian,10,1});
if i ~= 1
options = gaoptimset(options,'InitialPopulation', InitialPopulation_Data);
options = gaoptimset(options,'InitialScores', InitialScores_Data);
end
options = gaoptimset(options,'StallGenLimit', Inf); options = gaoptimset(options,'TolFun', 0);
options = gaoptimset(options,'Display', 'iter'); options = gaoptimset(options,'Vectorized', 'off'); options = gaoptimset(options,'UseParallel', 'never'); options = gaoptimset(options,'Generations', 20); LB = [-30*ones(1,8) zeros(1,6)]; UB = [ 30*ones(1,8) ones(1,6)]; [x,fval,exitflag,output,population,score] = ... ga(@TS_obj_lin,nvars,[],[],[],[],LB,UB,[],options);
save populationTS population
save scoreTS score
save iTS i
if exitflag == -1 break
end end
EK B.4: TS_obj_lin.m
function [fit] = TS_obj_lin(X)
load tei_ui
a = X(1:4);b = X(5:8);c = X(9:12);d = X(13:16); e = X(17:20);f = X(21:24);g = X(25:28);h = X(27:32); p = X(33:36);q = X(37:40);
fismat = newfis('HO','sugeno');
fismat = addvar(fismat,'input','e14',[-1 +1]);
fismat = addmf(fismat,'input',1,'N','zmf',[-p(1) q(1)]); fismat = addmf(fismat,'input',1,'P','smf',[-q(1) p(1)]); fismat = addvar(fismat,'input','u1',[-1 +1]);
fismat = addmf(fismat,'input',2,'N','zmf',[-p(2) q(2)]); fismat = addmf(fismat,'input',2,'P','smf',[-q(2) p(2)]); fismat = addvar(fismat,'input','u2',[-1 +1]);
fismat = addmf(fismat,'input',3,'N','zmf',[-p(3) q(3)]); fismat = addmf(fismat,'input',3,'P','smf',[-q(3) p(3)]); fismat = addvar(fismat,'output','voltage',[-1 +1]); fismat = addmf(fismat,'output',1,'1','constant', a); fismat = addmf(fismat,'output',1,'2','constant', b); fismat = addmf(fismat,'output',1,'3','constant', c); fismat = addmf(fismat,'output',1,'4','constant', d); fismat = addmf(fismat,'output',1,'5','constant', e); fismat = addmf(fismat,'output',1,'6','constant', f); fismat = addmf(fismat,'output',1,'7','constant', g); fismat = addmf(fismat,'output',1,'8','constant', h); ruleList = [ 1 1 1 1 1 1 1 1 2 2 1 1 1 2 1 3 1 1 1 2 2 4 1 1 2 1 1 5 1 1 2 1 2 6 1 1 2 2 1 7 1 1 2 2 2 8 1 1 ];
fismat = addrule(fismat, ruleList); writefis(fismat,'fismat_TS_lin'); sim('TS_lin_mdl')
80 EK B.5: start_ga_FH.m load tei_ui for i = 1:10 nvars = 13; PopulationSize_Data = 100; EliteCount_Data = PopulationSize_Data/10; if i ~= 1 load populationFH load scoreFH InitialPopulation_Data = population; InitialScores_Data = score; end lb = -3*ones(1,14); ub = 3*ones(1,14);
% Start with the default options
options = gaoptimset;
% Modify options setting
options = gaoptimset(options,'PopulationSize', PopulationSize_Data);
options = gaoptimset(options,'PopInitRange', [lb;ub]);
options = gaoptimset(options,'EliteCount', EliteCount_Data); options = gaoptimset(options, 'MutationFcn',
{@mutationgaussian,10,1});
if i ~= 1
options = gaoptimset(options,'InitialPopulation', InitialPopulation_Data);
options = gaoptimset(options,'InitialScores', InitialScores_Data);
end
options = gaoptimset(options,'StallGenLimit', Inf); options = gaoptimset(options,'TolFun', 0);
options = gaoptimset(options,'Display', 'iter'); options = gaoptimset(options,'Vectorized', 'off'); options = gaoptimset(options,'UseParallel', 'never'); options = gaoptimset(options,'Generations', 20); LB = []; UB = [];
[x,fval,exitflag,output,population,score] = ...
ga(@FH_obj,nvars,[],[],[],[],LB,UB,[],options);
save populationFH population
save scoreFH score
save iFH i
if exitflag == -1 break
end end
EK B.6: FH_obj.m
function [fit] = FH_obj(X)
load tei_ui a1 = X(1); c1 = X(2); a2 = X(3); c2 = X(4); a3 = X(5); c3 = X(6); a4 = X(7); c4 = X(8); a5 = X(9); c5 = X(10); a_1 = X(11); a_2 = X(12); b_14 = X(13); save coeffFH a_1 a_2 b_14
g1 = 50; g2 = 5; f1 = -g1; f2 = -g2;
fismat = newfis('HO','sugeno');
fismat = addvar(fismat,'input','ek',[-150 150]./180.*pi); fismat = addmf(fismat,'input',1,'NB','trapmf',[-150 -150 f1 f2]./180.*pi);
fismat = addmf(fismat,'input',1,'NS','trimf', [f1 f2 0]./180.*pi); fismat = addmf(fismat,'input',1,'Z', 'trimf', [f2 0 g2]./180.*pi); fismat = addmf(fismat,'input',1,'PS','trimf', [0 g2 g1]./180.*pi); fismat = addmf(fismat,'input',1,'PB','trapmf',[g2 g1 +150
+150]./180.*pi);
fismat = addvar(fismat,'output','voltage',[-1 1]);
fismat = addmf(fismat,'output',1,'NB','linear', [a1 c1]); fismat = addmf(fismat,'output',1,'NS','linear', [a2 c2]); fismat = addmf(fismat,'output',1,'Z', 'linear', [a3 c3]); fismat = addmf(fismat,'output',1,'PS','linear', [a4 c4]); fismat = addmf(fismat,'output',1,'PB','linear', [a5 c5]); ruleList = [ 1 1 1 1
2 2 1 1 3 3 1 1 4 4 1 1 5 5 1 1 ];
fismat = addrule(fismat, ruleList); writefis(fismat,'fismat_mFH'); sim('FH') fit = norm(uh-ui)/sqrt(length(uh)); ġekil B.2 : BH.mdl 1 u(t) b_14 b_14 a_2 a_2 a_1 a_1 [-1 +1] -1 Z -14 Z -2 Z Bulanik Yapi Add 1 e(t) u(t-2) e(t) e(t-14) u(t-1)
ÖZGEÇMĠġ
Ad Soyad : Hakan ERTUĞRUL
Doğum Yeri ve Tarihi : Ġstanbul / 28.01.1984
Adres : Soğanlık Yeni M. Baltacı Mehmet PaĢa S. Tüm Emek ĠĢ Sit. F Bl. D:38
34880 Kartal/ĠSTANBUL Lisans Üniversite : Sakarya Üniversitesi
Yayın Listesi :
Çelik, Ö., Ertuğrul, H. ve Ertuğrul, ġ., 2008. Ġnsan Operatörlerin Akıllı Sistemlerle Modellenmesi, Türk Otomatik Kontrol Ulusal Konferansı 2008