Uyarlamalı destek vektör makinesi temelli modelleme ve kontrol

Abstract

Bu tez çalışmasında amaç; en az kareler temelli destek vektör makinesi modelinde iyileştirmeler yaparak fonksiyon yaklaşıklama başarısını artırmak ve geliştirilen modeli, sınıflandırma, bağlanım ve doğrusal olmayan kontrol için kullanmaktır. Tez çalışması, iki ana bölümden oluşmaktadır. İlk bölümde, destek vektör makinesinin, çekirdek fonksiyon parametresi dahil tüm parametrelerinin her bir örnekleme anında kokusuz Kalman süzgeci kullanılarak eş zamanlı güncellenmesi fikri üzerine kurulu olan uyarlamalı destek vektör makinesi yaklaşımı öne sürülmüştür. Aynı zamanda destek vektör sayısı uyarlamalı olacak şekilde önerilmiştir. İyileştirilen model farklı ölçüt veri kümelerinde sınıflandırma ve tanılama için kullanılmıştır. İkinci bölümde, destek vektör makinesi yapısal olarak geliştirilmiş ve yeni bir özyinelemeli model önerilmiştir. Bu model bir gizli katman ve çıktı katmanından oluşmaktadır. Gizli katman, en güncel gizli öznitelikleri ve güncel girişleri kullanarak güncel gizli öznitelik vektörünü üretir. Bu gizli öznitelikler, çıktı katmanında kullanılarak model çıktısı üretilir. Gizli öznitelik vektörü, doğrusal olan ve doğrusal olmayan şeklinde iki bileşenin toplamının bir Gauss aktivasyon fonksiyonundan geçirilmesiyle elde edilmektedir. Doğrusal olan bileşen, sonsuz darbe cevaplı bir süzgeç iken doğrusal olmayan bileşen en az kareler temelli destek vektör makinesinin ağırlıklandırılmış çıktı vektörüdür. Buna ek olarak, öznitelik vektöründeki her bir öznitelik aynı zamanda destek vektörüdür. Modelin eğitimi, literatürde iyi bilinen ve özyinelemeli ağların eğitiminde standart olan zamanda geri yayılma algoritması kullanılarak yapılmıştır. Önerilen model, kontrol benzetim çalışasında quadrator tipi bir insansız hava aracının kayan kipli kontrolünde yüksek genlikli ve zamanla değişen bozucu etkilerin kestirimi için kullanılmıştır. Elde edilen sonuçlar, önerilen modelin kestirim başarımının yüksek olduğunu ve bozucu etkinin başarıyla kestirilmesi sayesinde, yüksek doğrulukta referans izleme sonuçları elde edilebildiğini göstermiştir.

This thesis study aims improving function approximation capability of least squares support vector machine by making enhancements on it and employing the enhanced model in classification, regression and control. Thesis is composed of two main parts. In the first part, an adaptive support vector machine approach is proposed, which is based on the idea of simultaneous adaptation of all parameters, including the kernel function parameter, using unscented Kalman filter at each sampling time instant. An adaptive support vector size is proposed as well. Enhanced model is employed in classification and regression of some benchmark data sets. In the second part, structural enhancement is made on the support vector machine and it is transformed into a recurrent model. The model is comprised of a recurrent hidden layer and a linear output layer. Hidden layer produces the current hidden feature vector which is computed using the most recent hidden features and the current input. Using those hidden features, model output is produced at the output layer. Hidden fetaure vector is obtained by passing the sum of two components that are referred to as linear part and nonlinear part through a Gaussian activation function. Linear component is an infinite impulse response filter while nonlinear component is the weighted output vector of least squares support vector machine. Each feature in the feature vector is also a support vector. Considering this structure, in the thesis study, a novel recurrent support vector machine is introduced to the literature. Training of the model is performed via backpropagation through time algorithm which is well-known in the literature and standard for training recurrent nets. Proposed model is employed for estimation of time-varying disturbance signals with high magnitude within sliding mode control of a quadrotor unmanned aerial vehicle in simulation. The results obtained show that, estimation performance is high and due to the successive estimation of disturbance, satisfactory results of reference tracking can be attained.