Mamdani Modeli tabanlı ANFIS ve Emisyon Tahmininde Uygulanması

Öz

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.

Anahtar Kelimeler

• Mamdani ANFIS
• Gradyan
• Emisyon Tahmini

Mamdani Model based ANFIS and Application in Prediction of Soot Emission

Abstract

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.

Keywords

• Mamdani ANFIS
• Gradient
• Emission Prediction

Kaynakça

1. Chai, Y., Jia, L., & Zhang, Z. (2009). Mamdani model based adaptive neural fuzzy inference system and its application. 5(1), 22-29.
2. Eberhart, R. C. (1998). Overview of computational intelligence [and biomedical engineering applications]. Paper presented at the Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Vol. 20 Biomedical Engineering Towards the Year 2000 and Beyond (Cat. No. 98CH36286).
3. Jang, J.-S. (1993). ANFIS: adaptive-network-based fuzzy inference system. 23(3), 665-685.
4. Mamdani, E. H., & Assilian, S. J. I. j. o. m.-m. s. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. 7(1), 1-13.
5. Neshat, M., Adeli, A., Masoumi, A., & Sargolzae, M. J. I. J. o. C. S. I. (2011). A comparative study on ANFIS and fuzzy expert system models for concrete mix design. 8(3), 196.
6. Ondes, E. B., Bayezit, I., Poergye, I., & Hafsi, A. (2017). Model-based 2-D look-up table calibration tool development. Paper presented at the 2017 11th Asian Control Conference (ASCC).
7. Özhan, E. J. A. B. v. T. D. (2020). Yapay Sinir Ağları ve Üstel Düzleştirme Yöntemi ile Türkiye’deki CO2 Emisyonunun Zaman Serisi ile Tahmini. (19), 282-289.
8. Rai, A. A., Pai, P. S., & Rao, B. S. J. S. (2015). Prediction models for performance and emissions of a dual fuel CI engine using ANFIS. 40(2), 515-535.

9. Raja, P., Pahat, B. J. I. J. o. u.-a. e.-S., Science, & Technology. (2016). A review of training methods of ANFIS for applications in business and economics. 9(7), 165-172.
10. Şahin, H., OKTAY, T., & Konar, M. J. A. B. v. T. D. (2020). Anfis Based Thrust Estimation of a Small Rotary Wing Drone. (18), 738-742.
11. Sugeno, M. (1985). Industrial applications of fuzzy control: Elsevier Science Inc.
12. Wesley Hines, J. (1997). Fuzzy and Neural Approaches in Engineering MATLAB Supplement.
13. Zadeh, L. A. J. I. T. o. s., Man,, & Cybernetics. (1973). Outline of a new approach to the analysis of complex systems and decision processes. (1), 28-44.