Mamdani Modeli tabanlı ANFIS ve Emisyon Tahmininde Uygulanması

Abstract

Bu çalışmada Mamdani Bulanık Çıkarım Sisteminin Neural Network Tabanlı Eğitimi (MANFIS) için bir metod tasarlanmıştır. Sugeno duruluştırma işleminde sabit ve doğrusal fonksiyonlar kullanıldığından ANFIS kullanımı kolay olmuştur. Bu sebeple literatürde Sugeno ANFIS ile alakalı çok çalışma bulunmaktadır. Mamdani durulaştırma aşaması ise üyelik fonksiyonlarını içermektedir. Bu sebeple Mamdani giriş ve çıkış parametrelerinin eğitimi için bazı kabuller yapmak zorunludur. Literatürde, Mamdani eğitimi için yapılan çalışmalarda, Mamdani ANFIS sonuçlarının Sugeno ANFIS’e göre verimsiz olduğu görülmüştür. Geliştirdiğimiz metodu araçların emisyon değerlerinin tahmini için denedik. Emisyon değerleri küresel ısınma ve Kuzey kutbundaki buzulların erimesinde etkili faktörlerdir. Bu çalışmada ki eğitimlerde Sugeno ANFIS ve Mamdani ANFIS algoritmaları En Küçük Kareler ve Gradyan metodları için karşılaştırılmıştır. Karşılaştırma sonuçlarında bu çalışmada geliştirilen Mamdani ANFIS algoritmalarının daha az zamanda ve daha az eğitim adımında Sugeno ANFIS’e kıyasla daha iyi sonuçlar verdiği görülmüştür.This paper proposed Mamdani based Adaptive Neuro Fuzzy Inference System (MANFIS). In literature, there are very applications of Sugeno ANFIS because of simplicity of Sugeno defuzzification step. Mamdani defuzzification step is linguistic but Sugeno defuzzification step has constant and linear functions. So, Mamdani parameters training algorithms given in literature are not efficient and gives worse results when compared to Sugeno ANFIS. The proposed Mamdani ANFIS is used to predict vehicle soot emission that soot emission is effective at global warming and melting of sea ice in Arctic. The proposed Mamdani ANFIS is compared to Sugeno ANFIS for Least Square Estimation method and Gradient Descent method. The training results shows that The Mamdani ANFIS consumes less time and needs less epoch number. It is determined that for Gradient Method, the proposed Mamdani has less training error.