Abstract:
Tezde ilişkin bilimsel yazına yapılan üç ana katkı sunulmaktadır: Sistem tanılama için iki ve gürbüz olarak kaotik yörüngeleri izleyebilmek için bir yöntem. Sistem tanılama için önerilen yöntemler, giriş-çıkış verilerine dayalı olarak doğrusal, doğrusal olmayan ve kaotik sistemlerin tanılanması için geliştirilmiştir. Yöntemlerde, doğrusal olmayan durum geçişlerinin verilerden öğrenilmesinde, beyaz Gauss gürültüsü veya kaotik durum dizileri kullanılmıştır. Her iki system tanılama yönteminde, doğrusal olmayan durum denklemlerinin ve çıkış denklemlerinin gerçekleştirilmesinde yapay sinir ağları model olarak alınmıştır. Önerilen tanılama yöntemlerin başarımları bilimsel yazında iyi bilinen doğrusal, doğrusal olmayan ve kaotik sistemlerin tanılanmasında gürültülü giriş ve farklı başlangıç koşulları altında sınanmıştır. Diğer iyi bilinen tanılama yöntemleriyle karşılaştırıldığında her iki yöntemin daha iyi başarımı verdiği görülmüştür. Tezdeki üçüncü katkı da kaostan yararlanma doğrultusunda bir diğer uygulama olarak gürbüz olarak kaotik yörüngelerin izlenmesi için yöntem geliştirilmesidir. The thesis presents three main contributions: Two methods for system identification and a method for robustifying a chaotification method are developed in the thesis. The identification methods which are based on input-output data are used for the identification of linear, nonlinear and chaotic plants. Both identification methods construct nonlinear state equations for systems to be identified by using white Gaussian noise or chaotic state sequences in learning state recursions. Nonlinear state equations and output equations in these identification methods are realized by artificial neural networks. Extensive computer experiments on a set of benchmark plants for noisy input and initial conditons show that the developed methods provide significantly better performances when compared to the known identification methods. The third contribution of the thesis is another application in the direction of exploiting chaos now for forcing a nonchaotic plant to chaos in a robust way.
