Bulanık Mantık: Kuram, Çıkarım ve Kontrol

Bulanık kümelerden üyelik fonksiyonlarına, Mamdani ve Sugeno çıkarımından bulanık kontrole, kümelemeye, ANFIS ve tip-2 sistemlere kadar kuram ve uygulamayı birlikte ele alan ders notu.

Giriş

Gerçek dünyadaki birçok kavram keskin sınırlara sahip değildir. Bir ortamın “sıcak”, bir aracın “hızlı”, bir riskin “yüksek”, bir projenin bütçesinin “yeterli” veya bir hizmetin “iyi” olduğu söylenebilir; fakat bu sözcüklerin sınırları çoğu zaman tek bir sayıyla ayrılmaz.

Klasik mantık ve klasik küme kuramı, üyeliği keskin biçimde ele alır:

üye     → 1
üye değil → 0

Bulanık küme kuramında ise bir eleman bir kümeye belirli bir üyelik derecesi ile ait olabilir:

0 ≤ μA(x) ≤ 1

Örneğin 26 °C'lik bir ortam:

ılık kümesine 0.8
sıcak kümesine 0.4

derecesinde üye olarak modellenebilir.

Buradaki 0.4, “havanın sıcak olma olasılığı %40'tır” anlamına gelmez. Değer, seçilen model içinde 26 °C'nin “sıcak” kavramına ne ölçüde uyduğunu gösterir.

Bu ayrım bulanık mantığın temelidir.

Bulanık mantık özellikle şu durumlarda kullanışlıdır:

sınırlar keskin değilse,
uzman bilgisi sözel kurallarla ifade edilebiliyorsa,
sistemin tam matematiksel modeli zor veya pahalıysa,
ölçümlerde ve kavramlarda belirsizlik varsa,
insan karar biçimine yakın bir kural tabanı isteniyorsa,
doğrusal olmayan bir giriş-çıkış ilişkisi yaklaşık olarak modellenmek isteniyorsa.

Ancak bulanık mantık bir “belirsizlik varsa her şeyi çözen” yöntem değildir. Üyelik fonksiyonlarının, kural tabanının, ölçeklerin ve çıkarım yönteminin nasıl seçildiği sistem davranışını doğrudan belirler.

Bu ders notunun amacı bulanık mantığı yalnızca tanımsal düzeyde değil, matematiksel temeli, çıkarım mekanizması, kontrol tasarımı ve güncel uygulama araçlarıyla birlikte açıklamaktır.

1. Tarihsel gelişim

Bulanık küme kuramının başlangıç noktası, Lotfi A. Zadeh'in 1965 yılında yayımladığı “Fuzzy Sets” makalesidir. Zadeh bu çalışmada bir kümeye üyeliğin yalnızca 0 veya 1 ile değil, 0 ile 1 arasındaki derecelerle temsil edilebileceği bir yapı tanımladı.

1965 tarihli çalışma:

L. A. Zadeh, “Fuzzy Sets,” Information and Control, 8(3), 338-353, 1965.

Bulanık kümelerin temel matematiksel çerçevesini oluşturdu.

Daha sonra önemli gelişmeler geldi:

1965 → Bulanık kümeler
1970 → Bulanık ortamda karar verme
1975 → Dilsel değişken ve yaklaşık akıl yürütme
1975 → Mamdani-Assilian bulanık denetleyici
1985 → Takagi-Sugeno sistem modeli
1993 → ANFIS / nöro-bulanık öğrenme

Bellman ve Zadeh 1970'te bulanık hedefler ve bulanık kısıtlarla karar vermeyi ele aldı.

Zadeh'in 1975'te yayımladığı dilsel değişken çalışmaları, “genç”, “çok sıcak”, “yaklaşık yüksek” gibi doğal dil ifadelerinin bulanık kümelerle matematiksel olarak temsil edilmesine temel oluşturdu.

Mamdani ve Assilian'ın 1975 tarihli çalışması ise uzman operatörün sözel kontrol kurallarını otomatik bir denetleyiciye dönüştürerek bulanık kontrolün mühendislik uygulamalarındaki önemini gösterdi.

1985'te Takagi ve Sugeno, sonuç kısmı sabit veya girişlerin fonksiyonu olan farklı bir bulanık modelleme yaklaşımı geliştirdi.

1993'te J.-S. R. Jang tarafından yayımlanan ANFIS çalışması, bulanık çıkarım sisteminin parametrelerini veriden öğrenebilen uyarlamalı ağ yaklaşımını ortaya koydu.

Bu tarihsel gelişim önemli bir düzeltmeyi gerektirir:

Bulanık kümeler kuramı 1965'te yapay sinir ağlarının üzerine kurulmuş değildir.

Bulanık mantık ile yapay sinir ağlarının sistematik birleşimi daha sonraki nöro-bulanık sistemler içinde gelişmiştir.

2. Kesinlik, belirsizlik ve bulanıklık

Bilimsel modelleme geleneksel olarak kesin tanımlar kurmaya çalışır. Fakat gerçek dünya her zaman keskin sınırlardan oluşmaz.

Örneğin:

Bir insan ne zaman uzundur?
Bir yol ne zaman kalabalıktır?
Bir sıcaklık ne zaman yüksektir?
Bir risk ne zaman kabul edilemezdir?

Bu soruların çoğuna tek bir evrensel eşik vermek zordur.

Örneğin:

boy ≥ 170 cm → uzun
boy < 170 cm → kısa

şeklindeki klasik model matematiksel olarak nettir.

Fakat:

169.999 cm → kısa
170.000 cm → uzun

sonucu günlük kavramsal kullanım açısından yapay bir sıçrama yaratır.

Bulanık yaklaşım sınırı yumuşatır:

165 cm → uzun üyeliği 0.2
170 cm → uzun üyeliği 0.5
180 cm → uzun üyeliği 0.9

Burada üyelik değerleri model tasarımına bağlıdır.

Bulanık mantık, belirsizliği ortadan kaldırmak yerine onu sayısal ve işlenebilir bir gösterime dönüştürmeye çalışır.

3. Bulanıklık ile olasılık aynı şey değildir

Bu konu bulanık mantığın en sık karıştırılan kısmıdır.

3.1. Olasılık

Olasılık çoğunlukla bir olayın gerçekleşip gerçekleşmeyeceği hakkındaki belirsizliği ifade eder.

Yarın yağmur yağma olasılığı = 0.30

Bu durumda olay:

yağmur yağar
veya
yağmur yağmaz

şeklinde kesin bir sonuca sahiptir; belirsizlik olay gerçekleşmeden önceki bilgimizdedir.

3.2. Bulanıklık

Bulanıklık ise bir nesnenin veya durumun bir kavrama ne derece uyduğunu ifade eder.

Bugünkü hava “serin” kümesine 0.30 üyedir.

Buradaki soru:

Hava serin mi değil mi?

değil,

Hava ne ölçüde serin?

sorusudur.

Özet:

| Kavram | Temel soru | |---|---| | Olasılık | Olay gerçekleşecek mi? | | Bulanıklık | Durum kavrama ne ölçüde uyuyor? |

Bulanık üyelik derecesi olasılık değildir.

4. Klasik kümeler

Bir evrensel küme X ve onun alt kümesi A olsun.

Klasik kümede karakteristik fonksiyon:

χA(x) = 1, x ∈ A
χA(x) = 0, x ∉ A

şeklindedir.

Örneğin “sıcak” kümesini:

A = {x | x ≥ 30 °C}

olarak tanımlarsak:

29.9 °C → 0
30.0 °C → 1

olur.

Matematiksel açıdan bu tanım nettir.

Ancak kavramların dereceli olduğu birçok gerçek dünya probleminde geçiş çok keskindir.

5. Bulanık kümeler

Bir bulanık küme A, evrensel kümedeki her elemana bir üyelik derecesi atayan üyelik fonksiyonuyla tanımlanır:

μA : X → [0,1]

Burada:

μA(x) = 0

elemanın kümeye hiç ait olmadığını,

μA(x) = 1

tam üyeliği,

0 < μA(x) < 1

ise kısmi üyeliği gösterir.

Bulanık küme sembolik olarak:

A = {(x, μA(x)) | x ∈ X}

şeklinde ifade edilebilir.

Önemli nokta şudur:

Üyelik derecesi nesnenin fiziksel özelliği değildir; seçilen kavramsal modelin parçasıdır.

Aynı sıcaklık değeri farklı bağlamlarda farklı üyelik fonksiyonlarına sahip olabilir.

Örneğin 28 °C:

insan konforu açısından sıcak
endüstriyel fırın açısından soğuk

olarak modellenebilir.

6. Evrensel küme

Bir bulanık değişkenin çalıştığı değer aralığına evrensel küme veya söylem evreni (universe of discourse) denir.

Örneğin oda sıcaklığı:

X = [0, 50] °C

aralığında ele alınabilir.

Araç hızı:

X = [0, 200] km/h

olabilir.

Üyelik fonksiyonları bu aralık üzerinde tanımlanır.

Evrensel küme yanlış seçilirse, iyi tasarlanmış üyelik fonksiyonları ve kurallar bile beklenmeyen davranış üretebilir.

7. Üyelik fonksiyonu

Üyelik fonksiyonu, nicel giriş ile dilsel kavram arasındaki köprüdür.

Örneğin sıcaklık için:

SOĞUK
ILIK
SICAK

bulanık kümeleri tanımlanabilir.

Her biri:

μSOĞUK(T)
μILIK(T)
μSICAK(T)

fonksiyonuyla temsil edilir.

Aynı sıcaklık birden fazla kümeye aynı anda üye olabilir.

Örneğin:

T = 24 °C

μSOĞUK(24) = 0.1
μILIK(24)  = 0.8
μSICAK(24) = 0.3

Bu örtüşme bulanık sistemin keskin eşikler yerine yumuşak geçişler üretmesini sağlar.

8. Üyelik fonksiyonlarının temel özellikleri

8.1. Dayanak — support

Bir bulanık kümenin üyeliğinin sıfırdan büyük olduğu bölgedir:

support(A) = {x | μA(x) > 0}

8.2. Öz — core

Üyelik derecesinin 1 olduğu bölgedir:

core(A) = {x | μA(x) = 1}

8.3. Sınır — boundary

Kısmi üyeliğin bulunduğu bölgedir:

boundary(A) = {x | 0 < μA(x) < 1}

8.4. Yükseklik — height

Bir bulanık kümenin en büyük üyelik derecesidir:

h(A) = sup μA(x)

Eğer:

h(A) = 1

ise küme normal bulanık kümedir.

9. Üçgen üyelik fonksiyonu

En yaygın ve hesaplama açısından en basit fonksiyonlardan biridir.

Parametreler:

a < b < c

olmak üzere:

           0                       x ≤ a
μ(x) =     (x-a)/(b-a)             a < x ≤ b
           (c-x)/(c-b)             b < x < c
           0                       x ≥ c

şeklinde tanımlanır.

Grafik:

μ
1          /
          /
         /
0 ______/_____________ x
       a   b    c

Avantajları:

basit,
hızlı,
yorumlanabilir,
gömülü sistemler için uygundur.

10. Yamuk üyelik fonksiyonu

Dört parametreyle tanımlanır:

a ≤ b ≤ c ≤ d

Şekil:

μ
1        ______
        /
       /
0 ____/_______________ x
     a b        c d

Özellikle bir kavramın belirli bir aralıkta tamamen geçerli kabul edildiği durumlarda kullanışlıdır.

Örneğin:

“normal sıcaklık”

bir aralık boyunca üyelik 1 olacak şekilde modellenebilir.

11. Gauss üyelik fonksiyonu

Yumuşak ve türevlenebilir bir üyelik fonksiyonudur.

μ(x) = exp(-0.5 * ((x-c)/σ)^2)

Burada:

c → merkez
σ → yayılım

parametresidir.

Gauss fonksiyonları:

pürüzsüz geçiş,
optimizasyon,
veriyle parametre öğrenme,
nöro-bulanık sistemler

için elverişlidir.

12. Diğer üyelik fonksiyonları

Bulanık sistemlerde şu fonksiyonlar da kullanılabilir:

sigmoid,
S-eğrisi,
Z-eğrisi,
genelleştirilmiş çan,
Pi-eğrisi,
özel kullanıcı tanımlı fonksiyonlar.

Üyelik fonksiyonunun şekli problemin doğasına bağlıdır.

Önemli olan grafiksel estetik değil:

giriş-çıkış davranışını doğru temsil etmesidir.

13. Üyelik fonksiyonu nasıl seçilir?

Üyelik fonksiyonları birkaç yöntemle belirlenebilir.

Uzman bilgisi

Bir uzman:

0-15 °C çok soğuk
10-25 °C soğuk
20-30 °C ılık
25-40 °C sıcak

gibi başlangıç aralıkları verebilir.

Veri

Ölçüm verileri:

kümeleme,
optimizasyon,
regresyon,
nöro-bulanık öğrenme

ile üyelik fonksiyonu parametrelerini belirlemek için kullanılabilir.

Hibrit yaklaşım

İlk yapı uzman tarafından belirlenir, ardından verilerle ayarlanır.

Bu çoğu mühendislik probleminde iyi bir dengedir.

14. Alfa kesimi

Bir bulanık kümenin belirli bir üyelik seviyesinin üzerindeki elemanları α-kesimi ile gösterilir:

Aα = {x | μA(x) ≥ α}

Örneğin:

α = 0.7

seçilirse yalnızca üyelik derecesi 0.7 ve üzerinde olan elemanlar alınır.

Alfa kesimleri bulanık kümeyi klasik kümeler dizisi şeklinde analiz etmeye yardımcı olur.

15. Bulanık sayı

Gerçek sayılar üzerinde tanımlanan, genellikle normal ve dışbükey olan bulanık kümeler bulanık sayı olarak kullanılabilir.

Örneğin:

yaklaşık 100

kavramı:

(90, 100, 110)

üçgen bulanık sayı ile temsil edilebilir.

Bu gösterim:

maliyet,
süre,
tahmin,
uzman değerlendirmesi,
çok ölçütlü karar verme

gibi alanlarda kullanılır.

16. Dilsel değişken

Zadeh'in bulanık mantığa kazandırdığı temel kavramlardan biri dilsel değişken (linguistic variable) kavramıdır.

Sayısal değişken:

Sıcaklık = 27.3 °C

Dilsel değişken:

Sıcaklık = sıcak

olabilir.

Bir dilsel değişken için terim kümesi:

T(Sıcaklık) = {
    çok soğuk,
    soğuk,
    ılık,
    sıcak,
    çok sıcak
}

şeklinde tanımlanabilir.

Her dilsel terim bir bulanık kümeye karşılık gelir.

17. Dilsel değiştiriciler

Doğal dilde:

çok
biraz
oldukça
yaklaşık
değil

gibi sözcükler kavramın anlamını değiştirir.

Bulanık mantıkta bunlar linguistic hedges olarak modellenebilir.

Örneğin klasik bir yaklaşımda:

μÇOK_SICAK(x) = μSICAK(x)^2

kullanılabilir.

Bu işlem düşük üyelikleri daha da düşürür ve “çok sıcak” kümesini daraltır.

Benzer şekilde:

μBİRAZ_SICAK(x) = sqrt(μSICAK(x))

gibi genişletici işlemler kullanılabilir.

Bunlar zorunlu tanımlar değil, kullanılan bulanık dil modelinin bir parçasıdır.

18. Bulanık küme işlemleri

Klasik küme işlemleri bulanık kümelere genişletilebilir.

Tümleyen

Standart tümleyen:

μ¬A(x) = 1 - μA(x)

Kesişim

Zadeh'in standart kesişimi:

μA∩B(x) = min(μA(x), μB(x))

Birleşim

Standart birleşim:

μA∪B(x) = max(μA(x), μB(x))

Örneğin:

μA(x) = 0.7
μB(x) = 0.4

ise:

A AND B → min(0.7, 0.4) = 0.4
A OR B  → max(0.7, 0.4) = 0.7
NOT A   → 1 - 0.7 = 0.3

olur.

19. T-norm ve T-conorm

min ve max bulanık mantıktaki tek seçenek değildir.

Genel kesişim işlemleri T-norm, birleşim işlemleri ise T-conorm / S-norm ailesiyle ifade edilir.

Örnek T-normlar:

minimum:
T(a,b) = min(a,b)

çarpım:
T(a,b) = a*b

Örnek S-normlar:

maksimum:
S(a,b) = max(a,b)

olasılıksal toplam:
S(a,b) = a + b - a*b

Örneğin:

a = 0.7
b = 0.4

için:

min       = 0.4
product   = 0.28
max       = 0.7
probor    = 0.82

elde edilir.

İşleç seçimi kural ateşleme derecesini ve dolayısıyla sistem çıktısını değiştirir.

20. Bulanık ilişki

Klasik ilişkiler de üyelik derecelerine genişletilebilir.

Bir bulanık ilişki:

R : X × Y → [0,1]

şeklinde tanımlanabilir.

Örneğin:

“x, y'ye yakındır”

ifadesi iki değişken arasında dereceli ilişki olarak modellenebilir.

Bulanık ilişkiler:

çıkarım,
karar verme,
örüntü eşleme,
denetim

kuramında önemlidir.

21. Bulanık mantık ile çok değerli mantık ilişkisi

Klasik mantık:

DOĞRU  = 1
YANLIŞ = 0

iki değer kullanır.

Bulanık mantıkta doğruluk derecesi:

[0,1]

aralığında olabilir.

Örneğin:

“hava sıcak”

önermesinin doğruluk derecesi 0.65 olarak modellenebilir.

Ancak bulanık mantığı yalnızca “çok değerli mantık” ile eşitlemek eksiktir.

Bulanık sistemler aynı zamanda:

bulanık kümeler,
dilsel değişkenler,
üyelik fonksiyonları,
çıkarım kuralları,
yaklaşık akıl yürütme

ile birlikte ele alınır.

22. Bulanık çıkarım sistemi

Bir bulanık çıkarım sistemi (Fuzzy Inference System — FIS), girişlerden bulanık kurallar aracılığıyla çıktı üreten yapıdır.

Genel akış:

Kesin giriş
    ↓
Bulanıklaştırma
    ↓
Kural değerlendirme
    ↓
Çıkarım
    ↓
Kural sonuçlarının birleştirilmesi
    ↓
Durulaştırma
    ↓
Kesin çıktı

Klasik Mamdani sisteminde dört temel bileşen vardır:

Bulanıklaştırıcı
Bilgi / kural tabanı
Çıkarım motoru
Durulaştırıcı

Kaynak 2019 ders notlarında da aynı temel yapı kullanılmıştır.

23. Bulanıklaştırma

Bulanıklaştırma, kesin giriş değerinin ilgili bulanık kümelerdeki üyelik derecelerinin hesaplanmasıdır.

Örneğin:

Sıcaklık = 27 °C

için:

μILIK(27)  = 0.6
μSICAK(27) = 0.7

bulunabilir.

Girdi artık yalnızca:

değildir.

Çıkarım sistemi açısından:

27 °C → {ILIK:0.6, SICAK:0.7}

şeklinde temsil edilir.

24. Kural tabanı

Bulanık sistemin uzman bilgisini taşıyan kısmı kural tabanıdır.

Genel biçim:

EĞER <öncül> İSE <sonuç>

Örnek:

EĞER sıcaklık SICAK
VE nem YÜKSEK
İSE fan hızı HIZLI

Başka bir örnek:

EĞER araç hızı YAVAŞ
VE hedefe uzaklık UZAK
İSE motor gücü ARTTIR

Kurallar sayısal model yerine uzman davranışını ifade edebilir.

25. Öncül ve sonuç

Bir bulanık kural iki kısımdan oluşur.

Öncül — antecedent

EĞER sıcaklık SICAK VE nem YÜKSEK

Sonuç — consequent

İSE fan hızı HIZLI

Öncül, kuralın ne ölçüde etkin olduğunu belirler.

Sonuç ise etkinliğin çıktı uzayına nasıl aktarılacağını belirler.

26. Kural ateşleme derecesi

Örneğin:

μSICAK(T) = 0.7
μYÜKSEK_NEM(H) = 0.4

ve AND işlemi min ise:

w = min(0.7, 0.4)
w = 0.4

olur.

Bu değer kuralın ateşleme derecesidir.

Çarpım kullanılırsa:

w = 0.7 * 0.4
w = 0.28

olur.

Dolayısıyla AND operatörü teknik bir ayrıntı değil, sistem davranışını etkileyen tasarım kararıdır.

27. Mamdani çıkarım sistemi

Mamdani tipi bulanık çıkarım, mühendislikte en bilinen yöntemlerden biridir.

1975'te E. H. Mamdani ve S. Assilian tarafından bir buhar makinesi denetimi bağlamında gösterilmiştir.

Mamdani kuralı tipik olarak şöyledir:

EĞER x A ise
VE y B ise
İSE z C'dir

Burada:

A, B → giriş bulanık kümeleri
C    → çıkış bulanık kümesi

olur.

Örneğin:

EĞER bütçe YETERSİZ
İSE risk YÜKSEK

veya:

EĞER sıcaklık SICAK
VE nem YÜKSEK
İSE fan hızı HIZLI

28. Mamdani çıkarımının aşamaları

Mamdani çıkarımı genel olarak şu sırayla yürütülür:

1. Kesin girişleri al
2. Girişleri bulanıklaştır
3. Her kuralın ateşleme derecesini hesapla
4. Kural sonucuna implication uygula
5. Tüm kural çıktılarını birleştir
6. Birleşik bulanık çıktıyı durulaştır

Bu aşamalar tek tek incelenmelidir.

29. Mamdani implication

Bir kuralın ateşleme derecesi:

w = 0.4

ve sonuç kümesi:

HIZLI

olsun.

Kesme — clipping

Klasik Mamdani yaklaşımında:

μsonuç(z) = min(w, μHIZLI(z))

kullanılabilir.

Yani üyelik fonksiyonu w seviyesinde kesilir.

Ölçekleme — scaling

Alternatif olarak:

μsonuç(z) = w * μHIZLI(z)

kullanılabilir.

Bu durumda üyelik fonksiyonunun biçimi ölçeklenir.

Bu iki yöntem aynı sonucu üretmek zorunda değildir.

30. Kural sonuçlarının birleştirilmesi

Aynı çıktı değişkenini etkileyen birçok kural olabilir.

Örneğin:

Kural 1 → HIZLI, derece 0.4
Kural 2 → ORTA, derece 0.7
Kural 3 → HIZLI, derece 0.2

Bu kural sonuçları tek bir çıktı bulanık kümesinde birleştirilir.

Yaygın toplama yöntemi:

max

işlemidir.

Her çıktı noktası için:

μagg(z) = max(μ1(z), μ2(z), ..., μn(z))

hesaplanır.

Bu işleme aggregation denir.

31. Durulaştırma

Mamdani çıkarımından sonra çıktı hâlâ bulanık kümedir.

Fiziksel sistem çoğu zaman kesin bir değer ister.

Örneğin:

motor gücü = ?
fan PWM = ?
vana açıklığı = ?
yeşil ışık süresi = ?

Bulanık çıktıdan kesin sayı elde etme işlemine durulaştırma (defuzzification) denir.

32. Ağırlık merkezi yöntemi

En yaygın durulaştırma yöntemlerinden biri centroid / center of gravity yöntemidir.

Sürekli durumda:

            ∫ z μ(z) dz
z* = -------------------------
             ∫ μ(z) dz

şeklindedir.

Bu, birleşik bulanık kümenin geometrik ağırlık merkezini verir.

Ayrık örnekleme kullanıldığında:

            Σ zi μ(zi)
z* = -------------------------
             Σ μ(zi)

yaklaşımı kullanılabilir.

Kaynak ders notlarında da Mamdani örneklerinde ağırlık merkezi yöntemi kullanılmıştır.

33. Diğer durulaştırma yöntemleri

Centroid tek seçenek değildir.

Bisector

Alanı iki eşit parçaya bölen nokta seçilir.

Mean of Maximum — MOM

En yüksek üyelik derecesine sahip noktaların ortalaması alınır.

Smallest of Maximum — SOM

Maksimum üyeliğe sahip en küçük değer seçilir.

Largest of Maximum — LOM

Maksimum üyeliğe sahip en büyük değer seçilir.

Yöntem seçimi:

hesaplama maliyeti,
çıktı hassasiyeti,
sistem davranışı,
gerçek zaman gereksinimi

açısından değerlendirilmelidir.

34. Mamdani örneği: risk değerlendirmesi

Kaynak ders notlarındaki temel örneklerden biri proje riskidir.

Girdiler:

Bütçe
Çalışan Sayısı

Çıktı:

Risk

Dilsel kümeler:

Bütçe:
YETERSİZ
SIKIŞIK
YETERLİ

Çalışan:
AZ
FAZLA

Risk:
DÜŞÜK
NORMAL
YÜKSEK

Örnek kurallar:

EĞER bütçe YETERLİ
VEYA çalışan AZ
İSE risk DÜŞÜK

EĞER bütçe SIKIŞIK
VE çalışan FAZLA
İSE risk NORMAL

EĞER bütçe YETERSİZ
İSE risk YÜKSEK

Bir giriş çifti verildiğinde:

Bütçe = 70
Çalışan = 45

her giriş ilgili üyelik fonksiyonlarında derecelendirilir.

Birden fazla kural aynı anda ateşlenebilir.

Bu özellik bulanık sistemin keskin karar tablosundan farkıdır.

35. Sugeno çıkarım sistemi

Takagi-Sugeno-Kang (TSK) yaklaşımında sonuç kısmı Mamdani'deki gibi bulanık çıktı kümesi olmak zorunda değildir.

Birinci derece Sugeno kuralı:

EĞER x A
VE y B
İSE z = p*x + q*y + r

şeklinde olabilir.

Sıfırıncı derece Sugeno sisteminde:

z = c

sabit bir sonuç kullanılır.

Örneğin:

EĞER bütçe YETERSİZ
İSE risk = 90

gibi.

36. Sugeno çıktısının hesaplanması

Her kural için ateşleme derecesi:

wi

ve kuralın kesin sonucu:

zi

olsun.

Genel çıktı:

             Σ wi * zi
z* = -------------------------
               Σ wi

ağırlıklı ortalama ile hesaplanır.

Örneğin:

w1 = 0.1, z1 = 20
w2 = 0.2, z2 = 50
w3 = 0.5, z3 = 80

ise:

z* =
(0.1*20 + 0.2*50 + 0.5*80)
/
(0.1 + 0.2 + 0.5)

= 65

olur.

Bu nedenle Sugeno sistemlerinde klasik Mamdani anlamında ayrı bir çıktı üyelik kümesi durulaştırma aşaması gerekmez.

37. Sıfırıncı ve birinci derece Sugeno

Sıfırıncı derece

IF x is A THEN z = c

Her sonuç sabittir.

Avantaj:

basit,
hızlı,
gömülü sistem için elverişli.

Birinci derece

IF x is A AND y is B
THEN z = p*x + q*y + r

Çıkış, girişlerin doğrusal fonksiyonudur.

Bu yapı veri tabanlı sistem tanıma ve adaptif öğrenme için güçlüdür.

38. Mamdani ve Sugeno karşılaştırması

| Özellik | Mamdani | Sugeno | |---|---|---| | Kural sonucu | Bulanık küme | Sabit veya fonksiyon | | Yorumlanabilirlik | Genellikle yüksek | Sonuç kısmı daha matematiksel | | Durulaştırma | Gerekir | Ağırlıklı ortalama | | Hesaplama | Daha ağır olabilir | Genellikle daha hızlı | | Veriyle ayarlama | Mümkün | Özellikle elverişli | | İnsan uzman kuralı | Çok doğal | Öncül doğal, sonuç matematiksel | | Kontrol | Yaygın | Dinamik ve adaptif sistemlerde güçlü |

Mamdani “daha doğru”, Sugeno “daha hızlı” şeklinde evrensel bir hüküm kurulamaz.

Seçim problemin yapısına bağlıdır.

39. Tsukamoto çıkarımı

Mamdani ve Sugeno kadar yaygın anlatılmasa da başka bir yöntem Tsukamoto çıkarımıdır.

Tsukamoto sisteminde her kural sonucundaki bulanık kümenin monoton üyelik fonksiyonuna sahip olması gerekir.

Her kural:

wi

ateşleme derecesinden bir kesin:

zi

değeri üretir.

Son çıktı yine ağırlıklı ortalamaya benzer biçimde hesaplanır.

Tsukamoto yöntemi, Mamdani ile Sugeno arasında kavramsal bir ara yapı gibi düşünülebilir; ancak kullanım alanı daha sınırlıdır.

40. Çıkarım yönteminde tek bir doğru yoktur

Aynı:

üyelik fonksiyonları,
giriş değerleri,
kural tabanı

kullanılsa bile:

AND = min

yerine:

AND = product

veya:

implication = min

yerine:

implication = product

kullanılması farklı sonuçlar üretebilir.

Aynı şekilde durulaştırma yönteminin değişmesi de çıktıyı değiştirir.

Dolayısıyla bir FIS:

yalnızca kural listesinden ibaret değildir.

Tam tanımda en az şu kararlar vardır:

giriş aralıkları
üyelik fonksiyonları
kural tabanı
AND yöntemi
OR yöntemi
implication
aggregation
durulaştırma
ölçekleme

41. Kural tabanı nasıl tasarlanır?

Bir bulanık kural tabanı genellikle üç kaynaktan oluşturulur.

Uzman bilgisi

Operatör veya alan uzmanı doğrudan:

EĞER hata büyük pozitif
VE hata artıyorsa
İSE kontrolü güçlü artır

gibi kurallar verir.

Veri

Giriş-çıkış örnekleri incelenerek kurallar üretilebilir.

Fiziksel bilgi

Sistemin bilinen yönü kuralların mantığını sınırlar.

Örneğin sıcaklık kontrolünde:

oda zaten çok sıcaksa
ısıtıcı gücü artır

kuralı fiziksel olarak anlamsızdır.

42. Kural patlaması

Her giriş için çok sayıda üyelik fonksiyonu kullanıldığında kural sayısı hızla büyür.

Örneğin:

3 giriş
her girişte 5 üyelik fonksiyonu

tam kombinasyon:

5^3 = 125

kural üretir.

Altı giriş varsa:

5^6 = 15,625

olur.

Bu durum kural patlaması (rule explosion) problemidir.

Çözüm yaklaşımları:

daha az üyelik fonksiyonu,
hiyerarşik FIS,
seyrek kural tabanı,
veriyle kural üretimi,
özellik seçimi,
birden fazla küçük FIS'in bağlanması.

Güncel araçlar bu amaçla FIS ağaçları gibi yapıları da desteklemektedir.

43. Kural ağırlığı

Her kural eşit güvenilirlikte olmayabilir.

Kural ağırlığı:

0 ≤ wrule ≤ 1

şeklinde kullanılabilir.

Örneğin:

EĞER titreşim YÜKSEK
İSE arıza riski YÜKSEK
Ağırlık = 0.9

Bir başka daha zayıf uzman kuralı:

Ağırlık = 0.5

ile sisteme eklenebilir.

Ancak ağırlıkların rastgele verilmesi sistemi daha güvenilir yapmaz.

Ağırlıkların:

uzman gerekçesi,
veri,
optimizasyon

ile desteklenmesi gerekir.

44. Ölçekleme faktörleri

Kontrol sistemlerinde fiziksel girişler çoğu zaman normalize edilir.

Örneğin:

e gerçek hata
Ge giriş ölçekleme kazancı

olmak üzere:

en = Ge * e

şeklinde normalize edilmiş giriş üretilebilir.

Benzer biçimde:

Δen = Gde * Δe
Δu = Gdu * Δun

kullanılabilir.

Ölçekleme faktörleri bulanık kontrolörün kazançlarına benzer biçimde davranışı güçlü şekilde etkileyebilir.

45. Bulanık kontrol

Bir denetleyicinin amacı ölçülen sistem çıktısını istenen davranışa yönlendirmektir.

Klasik geri besleme:

Referans r(t)
      ↓
     (-) ← y(t)
      ↓
Hata e(t)
      ↓
Denetleyici
      ↓
Kontrol u(t)
      ↓
Proses
      ↓
Çıkış y(t)

Bulanık denetleyicide klasik denetleyici bloğunun içinde kural tabanlı FIS bulunur.

46. Hata ve hata değişimi

Bulanık kontrol sistemlerinde çok yaygın iki giriş:

e(k)  = r(k) - y(k)

ve:

Δe(k) = e(k) - e(k-1)

şeklindedir.

Çıkış:

u(k)

veya artımsal kontrol biçiminde:

Δu(k) = u(k) - u(k-1)

olabilir.

Bu yapı kaynak ders notlarındaki sıcaklık kontrol örneğinde de kullanılmıştır.

47. Neden hata değişimi kullanılır?

Sadece hata büyüklüğü sistemin hareket yönünü söylemez.

Örneğin iki durumda da:

e = +5

olsun.

Birinci durumda hata hızla azalıyor:

Δe < 0

İkinci durumda hata büyüyor:

Δe > 0

Aynı kontrol müdahalesi iki durumda uygun olmayabilir.

Bu nedenle:

e
Δe

ikilisi sistemin hem konum hem eğilim bilgisini taşır.

48. Kontrol için dilsel kümeler

Hata ve hata değişimi için klasik bir terim kümesi:

NB → Negative Big
NS → Negative Small
ZE → Zero
PS → Positive Small
PB → Positive Big

şeklinde olabilir.

Daha ayrıntılı sistem:

NB
NM
NS
ZE
PS
PM
PB

yedi terim kullanabilir.

Fakat daha çok üyelik fonksiyonu her zaman daha iyi kontrol anlamına gelmez.

Üyelik sayısı arttıkça:

kural sayısı,
ayar karmaşıklığı,
hesap yükü

artar.

49. Bulanık kontrol kuralı örneği

İşaret tanımına bağlı olarak örnek bir kural:

EĞER hata PB
VE hata değişimi PS
İSE kontrol değişimi PB

olabilir.

Başka bir kural:

EĞER hata ZE
VE hata değişimi ZE
İSE kontrol değişimi ZE

şeklindedir.

Ancak kural tablosu evrensel değildir.

Örneğin:

e = referans - ölçüm

ile:

e = ölçüm - referans

işaret tanımları ters kural tablosu gerektirir.

Bu nedenle hazır bir kural tablosunu bağlamdan koparıp kullanmak hatalıdır.

50. Bulanık kontrol ve on-off kontrol

On-off kontrol:

e > 0 → tam güç
e < 0 → kapalı

gibi keskin davranabilir.

Histerezis eklenerek hızlı aç-kapa azaltılabilir.

Bulanık kontrol ise:

biraz artır
orta artır
çok artır
sabit tut
biraz azalt

gibi kademeli davranış üretebilir.

Bu nedenle belirsiz ve doğrusal olmayan davranışlarda daha yumuşak kontrol elde edilebilir.

51. Bulanık kontrol ve PID

PID denetleyici:

u(t) =
Kp*e(t)
+ Ki*∫e(t)dt
+ Kd*de(t)/dt

şeklinde çalışır.

PID:

basit,
iyi anlaşılmış,
yaygın,
analiz edilebilir,
birçok proses için yeterlidir.

Bulanık kontrol:

uzman bilgisi kullanabilir,
doğrusal olmayan davranışı kolay temsil edebilir,
tam matematiksel model gerektirmeyebilir.

Ancak:

Bulanık kontrol PID'den otomatik olarak daha iyi değildir.

PID'in iyi çalıştığı basit bir proseste bulanık denetleyici gereksiz karmaşıklık oluşturabilir.

52. Bulanık PID

İki yaklaşım birlikte kullanılabilir.

Örneğin bulanık sistem:

Kp
Ki
Kd

kazançlarını çalışma koşuluna göre ayarlayabilir.

Akış:

e, Δe
  ↓
Bulanık ayarlayıcı
  ↓
Kp, Ki, Kd
  ↓
PID
  ↓
Proses

Bu yaklaşım fuzzy PID / gain scheduling türü denetleyicilerde kullanılır.

53. Kararlılık meselesi

Kaynak ders notlarında bulanık sistemlerin dezavantajları arasında kararlılık analizinin zorluğu belirtilmektedir.

Bu değerlendirme kısmen doğrudur.

Klasik PID gibi basit doğrusal sistemlerde analitik kararlılık yöntemleri daha doğrudandır.

Bulanık denetleyicilerde ise:

çok sayıda kural,
doğrusal olmayan yüzey,
parçalı davranış

analizi zorlaştırabilir.

Ancak:

“Bulanık sistemlerin kararlılığı analiz edilemez.”

ifadesi doğru değildir.

Lyapunov tabanlı yöntemler, sektör koşulları, LMI yaklaşımları ve Takagi-Sugeno model tabanlı kararlılık analizleri kullanılabilir.

54. Performans ölçütleri

Bir bulanık denetleyicinin iyi olup olmadığı yalnızca yüzey grafiğine bakılarak belirlenmemelidir.

Kontrol sisteminde şu ölçütler incelenebilir:

yükselme zamanı,
yerleşme zamanı,
overshoot,
undershoot,
kalıcı durum hatası,
integral mutlak hata,
integral karesel hata,
kontrol enerjisi,
bozucu reddi,
gürültü duyarlılığı.

Örnek:

IAE = ∫ |e(t)| dt

ve:

ISE = ∫ e(t)^2 dt

gibi ölçüler kullanılabilir.

55. Yüzey grafiği

İki girişli tek çıkışlı FIS için:

z = F(x,y)

ilişkisi üç boyutlu yüzey olarak çizilebilir.

Bu grafik:

kural tabanındaki süreksizlikleri,
aşırı dik bölgeleri,
beklenmeyen ters davranışı,
kullanılmayan giriş bölgelerini,
kontrol doygunluğunu

görmek için değerlidir.

Kaynak notlarda:

bütçe
çalışan sayısı
risk

ve:

hız
kuyruk uzunluğu
yeşil ışık süresi

örnekleri yüzey grafikleriyle incelenmiştir.

56. Trafik ışığı örneği

Kaynak ders notlarında iki girişli bir trafik ışığı örneği bulunmaktadır.

Girdiler:

Ana yol ortalama hızı: [0,60] km/h
Yan yol kuyruk uzunluğu: [0,200] m

Çıktı:

Yeşil ışık süresi: [0,90] s

Dilsel değerler:

Hız:
YAVAŞ
NORMAL
HIZLI

Kuyruk:
AZ
NORMAL
ÇOK

Yeşil Süresi:
KISA
ORTA
UZUN

Örnek kurallar:

EĞER hız HIZLI
İSE yeşil süre UZUN

EĞER hız NORMAL
VE kuyruk AZ
İSE yeşil süre KISA

EĞER hız NORMAL
VE kuyruk ÇOK
İSE yeşil süre UZUN

Bu örneğin asıl öğretici yönü tek bir sonuç değeri değil:

kuralların birlikte oluşturduğu giriş-çıkış yüzeyidir.

57. Bahşiş örneği

Bulanık mantık öğretiminde sık kullanılan klasik problem:

servis kalitesi
yemek kalitesi
→ bahşiş

şeklindedir.

Örneğin:

EĞER servis KÖTÜ
VEYA yemek BAYAT
İSE bahşiş AZ

EĞER servis ORTA
İSE bahşiş ORTA

EĞER servis İYİ
VEYA yemek GÜZEL
İSE bahşiş YÜKSEK

Bu problem:

üyelik fonksiyonu,
OR işlemi,
Mamdani çıkarımı,
durulaştırma

kavramlarını göstermek için uygundur.

58. Çok girişli sistemler

Bir FIS:

1 giriş → 1 çıkış

olmak zorunda değildir.

Örneğin:

Girdiler:
toprak nemi
toprak sıcaklığı

Çıktılar:
motor çalışma süresi
motor devri

şeklinde bir sistem kurulabilir.

Kaynak 2019 notlarında da sıcaklık ve nem girişlerinden motor devri ve çalışma süresi üreten bir uygulama bulunmaktadır.

59. Çok çıkışlı sistemler

Birden fazla çıktı:

F(x1, x2, ..., xn)
→ y1, y2, ..., ym

şeklinde üretilebilir.

Ancak sistem karmaşıklaştıkça:

kural yorumlanabilirliği,
kural sayısı,
çıktı etkileşimleri

zorlaşabilir.

Bazen tek büyük çok çıkışlı sistem yerine birbirini besleyen küçük FIS'ler daha yönetilebilir olur.

60. Gerçek zamanlı gömülü uygulama

Kaynak ders notlarında MATLAB-Arduino bağlantısıyla:

sıcaklık
nem

ölçülerek:

motor PWM
motor çalışma süresi

üretilen bir örnek bulunmaktadır.

Gerçek zamanlı bir bulanık kontrol sisteminde tipik çevrim:

Sensörleri oku
↓
Fiziksel birime ölçekle
↓
FIS'i değerlendir
↓
Çıkışı güvenli sınırla
↓
Aktüatöre uygula
↓
Bir sonraki örnekleme zamanını bekle

şeklindedir.

Burada yalnızca FIS değil:

sensör kalibrasyonu,
örnekleme zamanı,
aktüatör doygunluğu,
güvenlik sınırları,
iletişim hataları

da sistem tasarımının parçasıdır.

61. Örnekleme zamanı

Dijital kontrol sisteminde:

Ts

örnekleme periyodu kritik parametredir.

Çok yavaş örnekleme:

gecikmeli kontrol,
salınım,
düşük bozucu reddi

üretebilir.

Aşırı hızlı örnekleme:

gereksiz işlem yükü,
sensör gürültüsüne hassasiyet

oluşturabilir.

Bulanık mantık kullanılması bu klasik kontrol mühendisliği problemini ortadan kaldırmaz.

62. Doygunluk ve sınırlar

Bir FIS:

motor gücü = 130%

gibi fiziksel olarak uygulanamaz bir çıktı üretememelidir.

Aktüatör sınırı:

0 ≤ PWM ≤ 255

ise çıktı buna göre sınırlandırılmalıdır.

Benzer şekilde girişlerin beklenen evrensel küme dışına çıkması da ele alınmalıdır.

Örneğin:

beklenen sıcaklık = [-20,50]
ölçülen sıcaklık = 75

durumunda sistem davranışı önceden tanımlanmalıdır.

63. FIS tasarımının pratik sırası

Bir mühendislik problemi için iyi başlangıç sırası:

1. Kontrol veya tahmin hedefini belirle
2. Girişleri seç
3. Çıkışları seç
4. Fiziksel aralıkları belirle
5. Ölçekleme yapısını tanımla
6. Dilsel terimleri belirle
7. Üyelik fonksiyonlarını oluştur
8. Kural tabanını kur
9. Çıkarım operatörlerini seç
10. Durulaştırma yöntemini seç
11. Yüzeyi incele
12. Simülasyon yap
13. Sınır durumlarını test et
14. Parametreleri ayarla
15. Gerçek sistemde doğrula

64. Üyelik fonksiyonu sayısı nasıl seçilir?

Üyelik sayısının artırılması modeli daha ayrıntılı hale getirir.

Fakat:

çok fazla üyelik fonksiyonu
→ çok fazla kural
→ fazla parametre
→ daha zor ayar
→ olası aşırı uyum

oluşturabilir.

Başlangıç için birçok kontrol probleminde:

3
5
7

gibi tek sayıda ve simetrik kümeler kullanılabilir.

Ancak bu bir yasa değildir.

Verinin veya prosesin yapısı asimetrik üyelikleri gerektirebilir.

65. Örtüşme

Komşu üyelik fonksiyonlarının örtüşmesi yumuşak geçiş sağlar.

Örneğin:

SOĞUK
ILIK
SICAK

kümeleri birbirini hiç örtmezse sistem klasik eşik mantığına yaklaşır.

Aşırı örtüşme ise çok sayıda kuralın aynı anda yüksek derecede ateşlenmesine yol açabilir.

İyi örtüşme:

giriş uzayında pürüzsüz fakat yeterince ayırt edici geçiş üretmelidir.

66. Kapsama

Her mümkün giriş değeri için en az bir anlamlı üyelik fonksiyonu etkin olmalıdır.

Örneğin:

X = [0,100]

fakat üyelik fonksiyonları yalnızca:

[0,30]
[40,60]
[70,100]

aralıklarını kapsıyorsa:

30-40
60-70

bölgelerinde hiçbir kural ateşlenmeyebilir.

Bu tasarım hatasıdır.

67. Kural tutarlılığı

Çelişen kurallar olabilir:

EĞER sıcaklık SICAK
İSE fan HIZLI

ve:

EĞER sıcaklık SICAK
İSE fan YAVAŞ

İki kuralın aynı bağlamda geçerli olması sistem yüzeyinde beklenmeyen davranış üretebilir.

Çelişkiler:

uzman görüşü farkı,
yanlış kural,
eksik bağlam,
gereğinden az giriş

nedeniyle oluşabilir.

Kural denetimi tasarım sürecinin parçasıdır.

68. Kural tabanı eksikliği

Her giriş kombinasyonu için kural yazmak zorunlu değildir.

Kaynak notlarda da tüm olası kombinasyonların pratikte gerekli olmayabileceği vurgulanmaktadır.

Ancak eksik kural tabanı bilinçli olmalıdır.

Şu soru sorulmalıdır:

Sistem kural tanımlanmamış bir bölgede çalışırsa ne olacak?

Bazı FIS uygulamalarında çıktı üretilemeyebilir veya varsayılan davranış oluşabilir.

Bu nedenle çalışma uzayı test edilmelidir.

69. Bulanık sistemler öğrenebilir mi?

Klasik, elle tasarlanmış Mamdani denetleyicide:

üyelik fonksiyonlarını insan belirler,
kuralları uzman yazar,
parametreler sabit kalır.

Bu anlamda sistem kendiliğinden öğrenmez.

Ancak buradan:

“Bulanık mantık sistemleri öğrenemez.”

sonucu çıkarılamaz.

Modern bulanık sistemlerde:

üyelik parametreleri,
Sugeno sonuç katsayıları,
kural ağırlıkları,
bazı durumlarda kural yapısı

veriden ayarlanabilir.

Bu alanın en bilinen örneklerinden biri ANFIS'tir.

70. ANFIS

Adaptive-Network-Based Fuzzy Inference System (ANFIS), Sugeno tipi bulanık çıkarım sistemini uyarlamalı ağ yapısı içinde temsil eder.

Jang'ın 1993 tarihli çalışmasında sistem:

insan bilgisini bulanık kurallar üzerinden,
sayısal veriyi eğitim örnekleri üzerinden

bir araya getirebilen yapı olarak sunulmuştur.

Basit iki girişli Sugeno sistemi:

Kural 1:
IF x is A1 AND y is B1
THEN f1 = p1*x + q1*y + r1

Kural 2:
IF x is A2 AND y is B2
THEN f2 = p2*x + q2*y + r2

şeklinde olsun.

ANFIS eğitim süreci:

üyelik fonksiyonlarını
+
sonuç katsayılarını

veriye göre ayarlar.

71. ANFIS katmanları

Klasik ANFIS açıklamasında hesap şu katmanlarla görülebilir:

Giriş
↓
Üyelik dereceleri
↓
Kural ateşleme dereceleri
↓
Normalize ateşleme dereceleri
↓
Sugeno sonuçları
↓
Toplam çıktı

Örneğin:

w1 = μA1(x) * μB1(y)
w2 = μA2(x) * μB2(y)

ardından:

w̄1 = w1 / (w1+w2)
w̄2 = w2 / (w1+w2)

ve:

f = w̄1*f1 + w̄2*f2

hesaplanabilir.

72. Nöro-bulanık sistemlerin amacı

Sinir ağlarının güçlü yönü:

veriden öğrenme

bulanık sistemlerin güçlü yönü ise:

dilsel kural yapısı ve yorumlanabilirlik

olarak düşünülebilir.

Nöro-bulanık yaklaşımın hedefi:

öğrenebilirlik
+
kural tabanlı temsil

özelliklerini birleştirmektir.

Ancak parametre sayısı büyüdükçe sistemin ilk baştaki insan yorumlanabilirliği azalabilir.

Bu nedenle “bulanık = her zaman açıklanabilir” varsayımı da dikkatle kullanılmalıdır.

73. Eğitim ve aşırı uyum

Veriyle üyelik fonksiyonu ayarlamak avantajlıdır.

Fakat klasik makine öğrenmesinde olduğu gibi:

eğitim verisine aşırı uyum,
dağılım değişimi,
gürültüye uyum,
zayıf genelleme

sorunları ortaya çıkabilir.

Veri tabanlı FIS tasarımında:

eğitim
doğrulama
test

kümelerinin ayrılması gerekir.

74. Güncel MATLAB notu: ANFIS

2019 kaynak notlarından sonra MATLAB Fuzzy Logic Toolbox API'si önemli ölçüde değişmiştir.

2026 itibarıyla MathWorks:

anfis

fonksiyonunu “not recommended” olarak işaretlemekte ve yeni geliştirmelerde:

tunefis(... Method="anfis")

yaklaşımını önermektedir.

Eski kodu yeni projeye doğrudan taşımak yerine güncel API kontrol edilmelidir.

75. Bulanık C-Ortalamalar

Fuzzy C-Means (FCM), klasik k-means yaklaşımının bulanık üyelik kullanan kümeleme biçimidir.

K-means'te bir örnek:

yalnızca bir kümeye

atanır.

FCM'de aynı örnek:

Küme 1 → 0.7
Küme 2 → 0.3

üyeliğine sahip olabilir.

Bu yaklaşım sınırları doğal olarak örtüşen veri kümelerinde yararlıdır.

FCM'nin temel fikirleri Dunn'ın 1973 çalışmasına, yaygın algoritmik biçimi ise Bezdek ve çalışma arkadaşlarının çalışmalarına dayanır.

76. FCM amaç fonksiyonu

FCM'nin klasik amaç fonksiyonu:

Jm =
Σ_i Σ_j uij^m ||xi - cj||²

şeklindedir.

Burada:

uij → i. örneğin j. kümeye üyeliği
m   → bulanıklık katsayısı
cj  → küme merkezi

olarak düşünülebilir.

Klasik k-means'ten farklı olarak:

Σ_j uij = 1

olmak üzere üyelikler derecelidir.

77. FCM nerede kullanılabilir?

görüntü segmentasyonu,
sensör verisi gruplama,
örüntü tanıma,
müşteri segmentasyonu,
arıza durumlarını gruplama,
FIS için üyelik fonksiyonu başlangıcı oluşturma.

Ancak FCM:

küme sayısını baştan ister,
aykırı değerlere duyarlı olabilir,
başlangıç koşullarından etkilenebilir.

78. Bulanık karar verme

Bellman ve Zadeh'in 1970 tarihli çalışması, hedeflerin ve kısıtların kesin sınırlar yerine bulanık kümelerle ifade edildiği karar problemlerini ele almıştır.

Örneğin:

maliyet düşük olsun
performans yüksek olsun
risk kabul edilebilir olsun

ifadelerinin her biri bir üyelik fonksiyonuyla modellenebilir.

Bir karar alternatifinin toplam uygunluğu:

hedefler
∩
kısıtlar

üzerinden değerlendirilebilir.

79. Çok ölçütlü bulanık karar verme

Gerçek karar problemlerinde şu tür kavramlar vardır:

çok önemli
orta derecede önemli
yaklaşık iyi
düşük riskli
yüksek maliyetli

Bunların kesin sayılara çevrilmesi her zaman kolay değildir.

Bulanık çok ölçütlü karar verme yöntemleri:

Fuzzy AHP,
Fuzzy TOPSIS,
bulanık ağırlıklı toplam,
bulanık uzlaşma yöntemleri

gibi yaklaşımlarla kullanılabilir.

Ancak yöntem adının başına “fuzzy” eklenmesi kararın nesnel olduğu anlamına gelmez.

Üyelik fonksiyonu ve uzman değerlendirmeleri hâlâ varsayımlar içerir.

80. Tip-1 ve Tip-2 bulanık kümeler

Bu notun şimdiye kadarki bölümleri Tip-1 bulanık kümeleri anlatmaktadır.

Tip-1 sistemde:

x → tek bir üyelik derecesi

atanır.

Örneğin:

μSICAK(27) = 0.65

Fakat şu soru ortaya çıkabilir:

0.65 değerinin kendisinden ne kadar eminiz?

Tip-2 bulanık kümeler, üyelik derecesindeki belirsizliği de modellemek için geliştirilmiştir.

81. Aralık Tip-2 bulanık küme

Aralık Tip-2 sistemde bir giriş için üyelik tek sayı yerine aralık olabilir.

Örneğin:

μSICAK(27) ∈ [0.55, 0.75]

Bu aralık:

farklı uzman görüşleri,
sensör belirsizliği,
değişen çalışma koşulları,
üyelik fonksiyonu belirsizliği

gibi durumları temsil edebilir.

Üst ve alt üyelik fonksiyonu arasındaki bölge:

Footprint of Uncertainty — FOU

olarak adlandırılır.

82. Tip-2 sistemlerin bedeli

Tip-2 bulanık sistemler daha fazla belirsizlik modelleyebilir.

Fakat:

hesaplama daha karmaşıktır,
tip indirgeme gerekir,
parametre sayısı artar,
ayar daha zordur.

Dolayısıyla Tip-2 sistem:

Tip-1 sistemden otomatik olarak daha iyidir.

denemez.

Ek belirsizliği modellemenin performans kazancı sağlaması gerekir.

83. Type reduction

Tip-2 çıkarım sonucu doğrudan kesin sayıya çevrilmeden önce genellikle type reduction aşamasından geçer.

Yaygın yöntemler arasında:

Karnik-Mendel,
Enhanced Karnik-Mendel,
IASC,
EIASC

bulunur.

Güncel MATLAB Fuzzy Logic Toolbox aralık Tip-2 Mamdani ve Sugeno sistemlerini desteklemektedir.

84. Bulanık mantık ve yapay zekâ

Bulanık mantık yapay zekânın tarihsel sembolik ve yaklaşık akıl yürütme araçlarından biridir.

Özellikle:

uzman bilgisi
+
dilsel kurallar
+
sayısal ölçümler

arasında köprü kurar.

Modern yapay zekâda bulanık mantık:

karar desteği,
kontrol,
açıklanabilir model,
hibrit sinir ağı sistemleri,
belirsiz sınıflandırma,
veri kümeleri arasındaki yumuşak sınırlar

gibi alanlarda kullanılabilir.

85. Bulanık mantık ile makine öğrenmesi farkı

Klasik bulanık sistem:

insan tanımlı üyelikler
+
insan tanımlı kurallar

üzerinden davranabilir.

Makine öğrenmesi ise çoğunlukla:

veri
+
kayıp fonksiyonu
+
optimizasyon

üzerinden model parametrelerini öğrenir.

Bulanık sistem:

çok az veriyle kurulabilir,
uzman bilgisi kullanabilir,
yapısal olarak yorumlanabilir olabilir.

Makine öğrenmesi:

yüksek boyutlu örüntülerde güçlüdür,
insanın kural yazmasının zor olduğu ilişkileri öğrenebilir.

Hibrit sistemler iki yaklaşımı birleştirebilir.

86. Bulanık mantık ile olasılıksal modeller

Bulanık ve olasılıksal modeller rakip olmak zorunda değildir.

Bir sistemde aynı anda:

ölçüm belirsizliği → olasılıksal
kavramsal belirsizlik → bulanık

olabilir.

Örneğin sensör ölçüm hatası:

T ~ Normal(25, 0.5²)

ile modellenirken:

“sıcak” kavramı

bulanık üyelik fonksiyonuyla temsil edilebilir.

Bu iki belirsizlik türünü ayırmak modelleme açısından önemlidir.

87. Bulanık mantık ne zaman uygundur?

Şu koşullar güçlü işarettir:

uzman kuralları sözel ifade edebiliyor,
sistem doğrusal değil,
kesin eşikler yapay davranış üretiyor,
tam fiziksel model kurmak zor,
yorumlanabilir kontrol yüzeyi isteniyor,
düşük hesap yüküyle yaklaşık çözüm gerekli.

88. Ne zaman uygun olmayabilir?

Aşağıdaki durumlarda başka yöntem daha iyi olabilir:

sistemin doğru ve basit matematiksel modeli mevcutsa,
güçlü analitik kontrol yöntemi kolay uygulanabiliyorsa,
milyonlarca boyutlu karmaşık algı problemi varsa,
kuralların yazılması imkânsızsa,
üyelik fonksiyonları tamamen keyfî kalıyorsa,
güvenlik kritik kanıt için biçimsel garanti gerekiyorsa.

Örneğin görüntüde nesne tanıma problemi için elle binlerce bulanık kural yazmak modern derin öğrenmeye göre çoğu zaman uygun değildir.

89. Avantajlar

Bulanık sistemlerin güçlü tarafları:

Keskin olmayan kavramları doğal biçimde ifade eder.
Uzman bilgisini doğrudan kural tabanına aktarabilir.
Doğrusal olmayan giriş-çıkış ilişkileri oluşturabilir.
Karmaşık sistemlerde tam matematiksel model gereksinimini azaltabilir.
Küçük sistemlerde düşük hesap yüküyle çalışabilir.
Kurallar incelenebilir olduğu için yorumlanabilirlik sağlayabilir.
Sensör verisi ile sözel bilgiyi aynı sistemde birleştirebilir.
Kontrol, tahmin, karar ve sınıflandırma için kullanılabilir.

90. Sınırlamalar

Üyelik fonksiyonlarının seçimi öznel olabilir.
Kural tabanı uzman kalitesine bağlı olabilir.
Giriş sayısı arttıkça kural patlaması oluşabilir.
Kararlılık ve performans kanıtı klasik doğrusal denetleyiciye göre daha zor olabilir.
Yanlış ölçekleme iyi görünen kuralları bozabilir.
Yorumlanabilirlik çok büyük kural tabanlarında kaybolabilir.
Veriyle ayarlanan sistem aşırı uyum gösterebilir.
Bulanık üyeliklerin fiziksel anlamı yanlış yorumlanabilir.
Olasılık ve üyelik derecesi karıştırılabilir.

91. “Matematiksel modele ihtiyaç duymaz” ifadesi

Bu ifade kaynak ders notlarında avantaj olarak yer almaktadır; ancak dikkatle okunmalıdır.

Daha doğru ifade:

Bulanık kontrol, bazı problemlerde ayrıntılı bir analitik proses modeli olmadan, uzman kurallarıyla kontrol tasarımını mümkün kılabilir.

Bu:

Matematiksel düşünmeye veya sistem modeline hiç gerek yoktur.

anlamına gelmez.

Şunlar hâlâ bilinmelidir:

giriş aralıkları,
fiziksel sınırlar,
dinamik davranış,
örnekleme,
gecikmeler,
kararlılık,
güvenlik limitleri.

92. İnsan düşünmesine benzerlik

Bulanık mantık:

az
orta
çok
yaklaşık
sıcak
yavaş
yüksek risk

gibi ifadeleri işlemeye uygundur.

Bu yönüyle insanın sözel karar kurallarına benzer bir temsil sağlar.

Ancak:

Bulanık mantık insan beyninin gerçek çalışma modeli olarak kanıtlanmıştır.

denemez.

Bu bir mühendislik modelidir.

İnsan bilişi:

olasılıksal akıl yürütme,
sembolik işlem,
öğrenme,
hafıza,
algı,
sezgi

gibi çok daha geniş süreçler içerir.

93. Bulanık mantık ve açıklanabilirlik

Küçük bir sistemde:

EĞER sıcaklık yüksek
VE nem yüksek
İSE fan çok hızlı

kuralı oldukça anlaşılırdır.

Bu nedenle bulanık sistemler açıklanabilir yapay zekâ için yararlı olabilir.

Fakat yüzlerce giriş ve binlerce kural içeren sistemde açıklanabilirlik azalır.

Açıklanabilirlik:

kural sayısı
üyelik fonksiyonlarının anlamlılığı
çıktı yüzeyinin sadeliği

ile birlikte değerlendirilmelidir.

94. Kritik sistemlerde bulanık kontrol

Bulanık denetleyiciler:

otomotiv,
endüstriyel kontrol,
robotik,
enerji,
ulaşım

gibi alanlarda kullanılabilir.

Kritik sistemde yalnızca simülasyonda iyi çalışması yeterli değildir.

Şunlar incelenmelidir:

normal çalışma
sınır koşulu
sensör arızası
aktüatör doygunluğu
gürültü
gecikme
haberleşme kaybı
beklenmeyen giriş

Bulanık mantık güvenlik mühendisliğinin yerine geçmez.

95. Doğrulama

Bulanık sistem için sistematik doğrulama yapılmalıdır.

Kapsama testi

Tüm giriş uzayında çıktı var mı?

Monotonluk testi

Fiziksel olarak artması gereken yerde çıktı azalıyor mu?

Sınır testi

Üyelik sınırlarında ani davranış var mı?

Kural testi

Her kural beklenen bölgede ateşleniyor mu?

Yüzey testi

Beklenmeyen çıkıntı veya çukur var mı?

Zaman alanı testi

Kontrol sistemi gerçek dinamikte kararlı mı?

96. Duyarlılık analizi

Üyelik fonksiyonunun bir parametresini küçük miktarda değiştirin:

a → a + δ

ve sistem çıktısındaki değişimi ölçün.

Aynı işlem:

kural ağırlıkları,
ölçekleme kazançları,
durulaştırma yöntemi

için yapılabilir.

Çok küçük parametre değişikliğinde çok büyük çıktı değişiyorsa sistem kırılgan olabilir.

97. Monte Carlo ve senaryo testi

Girişler gerçek sistemde gürültülü ise rastgele örneklemelerle test yapılabilir.

Örneğin:

T = 25 ± sensör gürültüsü
Nem = 60 ± sensör gürültüsü

binlerce örnek için FIS çalıştırılır.

Şunlar gözlenebilir:

çıktı dağılımı,
sınır aşımı,
kontrol salınımı,
en kötü durum.

Bu yaklaşım bulanık mantığın kendisi olasılık olmasa da sistem doğrulamasında olasılıksal test kullanımına örnektir.

98. Güncel MATLAB Fuzzy Logic Toolbox

2019 ders notlarında şu eski API ailesi kullanılmaktadır:

newfis
addvar
addmf
addrule
FIS structure

Bu kodlar tarihsel öğrenme açısından değerlidir; ancak yeni MATLAB sürümlerinde doğrudan esas alınmamalıdır.

Güncel nesne tabanlı yapı:

mamfis
sugfis
mamfistype2
sugfistype2
addInput
addOutput
addMF
addRule
evalfis

fonksiyonlarını kullanır.

MathWorks belgelerine göre R2024b itibarıyla evalfis gibi ana işlevlerde eski FIS structure desteği kaldırılmıştır.

99. Güncel MATLAB ile basit Mamdani örneği

Aşağıdaki yapı güncel nesne tabanlı API'yi gösterir:

fis = mamfis(Name="tip");

fis = addInput(fis,[0 10],Name="service");
fis = addMF(fis,"service","trapmf",[0 0 2 4],Name="poor");
fis = addMF(fis,"service","trimf",[2 5 8],Name="average");
fis = addMF(fis,"service","trapmf",[6 8 10 10],Name="good");

fis = addInput(fis,[0 10],Name="food");
fis = addMF(fis,"food","trapmf",[0 0 2 4],Name="bad");
fis = addMF(fis,"food","trapmf",[6 8 10 10],Name="good");

fis = addOutput(fis,[0 30],Name="tip");
fis = addMF(fis,"tip","trimf",[0 5 10],Name="low");
fis = addMF(fis,"tip","trimf",[10 15 20],Name="medium");
fis = addMF(fis,"tip","trimf",[20 25 30],Name="high");

rules = [
    "If service is poor or food is bad then tip is low"
    "If service is average then tip is medium"
    "If service is good or food is good then tip is high"
];

fis = addRule(fis,rules);

result = evalfis(fis,[8 7]);

Bu örneğin amacı MATLAB öğretmek değil, 2019'daki yapının güncel API'deki karşılığını göstermektir.

100. MATLAB'de FIS davranışını inceleme

Güncel araçlarda:

showrule(fis)

kuralları,

plotmf(fis,"input",1)

üyelik fonksiyonlarını,

gensurf(fis)

giriş-çıkış yüzeyini incelemek için kullanılabilir.

evalfis yalnızca kesin çıktıyı değil, seçeneklere göre ara çıkarım sonuçlarını da sağlayabilir.

Bu özellik hata ayıklamada değerlidir.

101. Güncel dağıtım olanakları

Güncel Fuzzy Logic Toolbox:

MATLAB,
Simulink,
C/C++ kod üretimi,
IEC 61131-3 Structured Text,
Tip-1 FIS,
Aralık Tip-2 FIS,
FIS ağaçları

gibi kullanım ve dağıtım olanakları sağlar.

Bu, bulanık mantığın yalnızca eğitim amaçlı MATLAB arayüzüyle sınırlı olmadığını gösterir.

102. Saf yazılımla bulanık sistem

Bulanık çıkarım sistemi için özel bir kütüphane zorunlu değildir.

Basit bir Mamdani sistem şu bileşenlerle doğrudan yazılabilir:

membership(x)
min / max
rule evaluation
aggregation
centroid

Örneğin bir üçgen üyelik fonksiyonu Python benzeri sözde kodla:

def trimf(x, a, b, c):
    if x <= a or x >= c:
        return 0.0
    if x <= b:
        return (x - a) / (b - a)
    return (c - x) / (c - b)

şeklinde uygulanabilir.

Üretimde:

sıfıra bölme,
eşit parametreler,
sınır davranışı,
kayan nokta hassasiyeti

gibi ayrıntılar ayrıca ele alınmalıdır.

103. Hesap maliyeti

Küçük Mamdani sistemi gömülü işlemci üzerinde oldukça ucuz olabilir.

Maliyet yaklaşık olarak:

üyelik fonksiyonu sayısı
+
ateşlenen kural sayısı
+
çıktı örnekleme çözünürlüğü

ile artar.

Sugeno sistemi özellikle sonucu ağırlıklı ortalamayla hesapladığı için birçok gerçek zamanlı uygulamada daha düşük maliyetli olabilir.

104. Sabit nokta uygulaması

Kaynakları sınırlı mikrodenetleyicide kayan nokta yerine sabit nokta aritmetiği kullanılabilir.

Örneğin üyelik:

0.0 ... 1.0

yerine:

0 ... 255

aralığında temsil edilebilir.

Bu durumda:

min
max
çarpım
ağırlıklı ortalama

işlemleri ölçeklendirilmiş tamsayılarla uygulanabilir.

Ancak taşma ve kuantalama hataları analiz edilmelidir.

105. Tasarım hataları

Sık görülen hatalar:

Olasılık ile üyelik derecesini karıştırmak.
Evrensel kümeyi fiziksel aralığa göre seçmemek.
Üyelik fonksiyonları arasında boşluk bırakmak.
Gereğinden fazla üyelik fonksiyonu kullanmak.
Kural tabanındaki işaret yönünü ters kurmak.
Yalnızca tek örnekte sistemi değerlendirmek.
Yüzey grafiğini incelememek.
Sensör gürültüsünü dikkate almamak.
Aktüatör sınırlarını FIS'e bırakmak.
“Bulanık sistem insan gibi düşünür” varsayımı yapmak.
Eski MATLAB API'sini yeni sürümlerde doğrudan kullanmak.
Öğrenilmiş FIS'i doğrulama verisi olmadan kabul etmek.

106. Bulanık mantık için pratik mühendislik modeli

Bir problem için şu akış kullanılabilir:

Problem
↓
Kesin eşik gerçekten sorun mu?
↓
Dilsel değişkenler tanımlanabilir mi?
↓
Giriş ve çıkışları seç
↓
Evrensel kümeleri belirle
↓
Üyelik fonksiyonlarını kur
↓
Uzman / veri ile kuralları oluştur
↓
Mamdani / Sugeno seç
↓
Çıkarım operatörlerini belirle
↓
Yüzey analizi
↓
Simülasyon
↓
Performans ölçümü
↓
Duyarlılık ve sınır testleri
↓
Gerçek sistem doğrulaması

107. Uygulama çalışması 1 — sıcaklık üyelikleri

Aralık:

0-50 °C

olmak üzere:

SOĞUK
ILIK
SICAK

üç üyelik fonksiyonu tasarlayın.

Şunları hesaplayın:

değerlerinin her kümeye üyelik derecelerini.

Ardından üyeliklerin toplamının neden zorunlu olarak 1 olmak zorunda olmadığını açıklayın.

108. Uygulama çalışması 2 — olasılık farkı

Şu iki ifadeyi matematiksel olarak ayırın:

Yarın yağmur yağma olasılığı 0.7.

Bugünkü hava “yağmurlu” kavramına 0.7 üyedir.

İki 0.7 değerinin neden aynı anlamı taşımadığını açıklayın.

109. Uygulama çalışması 3 — Mamdani

Girdiler:

Sıcaklık: [0,50]
Nem: [0,100]

Çıktı:

Fan: [0,100]

üçer dilsel değer oluşturun.

En az dokuz kural yazın.

Ardından:

T = 32 °C
Nem = 75%

için:

bulanıklaştırma,
kural ateşleme,
implication,
aggregation,
centroid

aşamalarını elle hesaplayın.

110. Uygulama çalışması 4 — Sugeno

Aynı problemi sıfırıncı derece Sugeno sistemine dönüştürün.

Çıkış sabitleri:

YAVAŞ = 20
ORTA  = 50
HIZLI = 90

olarak verilsin.

Mamdani ve Sugeno sonuçlarını karşılaştırın.

111. Uygulama çalışması 5 — kontrol

Bir DC motor hız kontrolü için:

e(k)
Δe(k)

girişlerini,

ΔPWM

çıkışını kullanın.

Beş üyelik fonksiyonu:

NB
NS
ZE
PS
PB

tanımlayın.

Kural tablosunu fiziksel işaret tanımınıza göre oluşturun.

Daha sonra step response üzerinde:

overshoot,
yerleşme zamanı,
kalıcı hata

ölçün.

112. Uygulama çalışması 6 — PID karşılaştırması

Aynı proses için:

PID,
Mamdani bulanık kontrol,
bulanık ayarlı PID

tasarlayın.

Aynı bozucu altında:

IAE
ISE
overshoot
settling time

ölçülerini karşılaştırın.

Sonucu “fuzzy daha iyi” varsayımıyla değil ölçümle verin.

113. Uygulama çalışması 7 — risk modeli

Girdiler:

Bütçe
Personel
Takvim baskısı

Çıktı:

Proje riski

olsun.

Uzman kurallarıyla bir Mamdani sistem kurun.

Sonra aynı veri kümesiyle Sugeno sistemi oluşturun.

Şunları karşılaştırın:

yorumlanabilirlik,
hata,
hesaplama süresi,
kural sayısı.

114. Uygulama çalışması 8 — FCM

İki boyutlu sentetik veri üretin.

Klasik k-means ve Fuzzy C-Means uygulayın.

Kümelerin sınırındaki örnekler için:

k-means etiketi
FCM üyelikleri

sonuçlarını karşılaştırın.

115. Uygulama çalışması 9 — ANFIS

Doğrusal olmayan:

y = sin(x1) + 0.5*x2²

gibi bir fonksiyondan veri üretin.

Sugeno FIS'i veriyle ayarlayın.

Eğitim ve doğrulama hatalarını ayrı izleyin.

Üyelik fonksiyonu sayısı artırıldığında:

eğitim hatası,
doğrulama hatası,
kural sayısı

nasıl değişiyor inceleyin.

116. Uygulama çalışması 10 — Tip-2

Aynı sıcaklık terimi için üç uzman farklı sınırlar versin.

Örneğin “SICAK” başlangıcı:

Uzman A → 25 °C
Uzman B → 27 °C
Uzman C → 29 °C

Bu belirsizliği:

tek Tip-1 üyelik fonksiyonuyla,
Aralık Tip-2 üyelik fonksiyonuyla

modelleyin.

İki sistemin kontrol çıktısını sensör gürültüsü altında karşılaştırın.

117. Kısa başvuru özeti

Bir bulanık sistem tasarlarken şu soruları sorun:

1. Bulanıklık gerçekten problemde var mı?
2. Üyelik derecesini olasılıkla karıştırıyor muyum?
3. Evrensel kümeler fiziksel olarak doğru mu?
4. Dilsel terimler anlamlı mı?
5. Üyelik fonksiyonları tüm çalışma alanını kapsıyor mu?
6. Örtüşme yeterli mi?
7. Kural tabanı tutarlı mı?
8. Mamdani mi Sugeno mu daha uygun?
9. AND/OR/implication/aggregation seçimleri belli mi?
10. Durulaştırma yöntemi uygun mu?
11. Yüzey fiziksel beklentiyle uyumlu mu?
12. Sınır durumları test edildi mi?
13. Gürültü ve sensör hatası değerlendirildi mi?
14. Performans sayısal olarak ölçüldü mü?
15. Gerçek sistemde güvenlik sınırları FIS dışında da uygulanıyor mu?

118. Sonuç

Bulanık mantığın özü:

keskin sınır
yerine
dereceli üyelik

kullanmaktır.

Fakat gerçek bir bulanık sistem yalnızca 0 ile 1 arasında sayı vermekten ibaret değildir.

Tam mühendislik zinciri:

Kavramsal belirsizlik
↓
Dilsel değişken
↓
Üyelik fonksiyonu
↓
Bulanıklaştırma
↓
EĞER-İSE kuralları
↓
Çıkarım
↓
Birleştirme
↓
Durulaştırma
↓
Kesin çıktı
↓
Doğrulama

şeklindedir.

Bulanık mantığın tarihsel değeri, matematiksel olarak kesin olmayan kavramları hesaplanabilir hale getirmesidir.

Mühendislik değeri ise özellikle:

uzman bilgisi,
doğrusal olmayan davranış,
yumuşak geçiş,
yaklaşık modelleme

gerektiren problemlerde ortaya çıkar.

Ancak üyelik fonksiyonları ve kurallar yalnızca sezgiyle oluşturulup doğrulanmadan kullanılırsa, bulanık sistem “insana yakın” görünmesine rağmen kötü bir denetleyici olabilir.

Bu nedenle iyi bulanık mantık uygulaması:

bulanıklığı kabul eder; tasarımı bulanık bırakmaz.

Kaynakça

İlk yayın tarihinden sonra yayımlanan kaynaklar, metnin Eylül 2026 güncellemesinde teknik doğrulama ve güncel araç/standart bilgisini tamamlamak için kullanılmıştır.

Temel çalışmalar

Zadeh, L. A. “Fuzzy Sets.” Information and Control, 8(3), 338-353, 1965.

DOI: https://doi.org/10.1016/S0019-9958(65)90241-X

Bellman, R. E.; Zadeh, L. A. “Decision-Making in a Fuzzy Environment.” Management Science, 17(4), B141-B164, 1970.

DOI: https://doi.org/10.1287/mnsc.17.4.B141

Zadeh, L. A. “The Concept of a Linguistic Variable and Its Application to Approximate Reasoning—I.” Information Sciences, 8(3), 199-249, 1975.

DOI: https://doi.org/10.1016/0020-0255(75)90036-5

Mamdani, E. H.; Assilian, S. “An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller.” International Journal of Man-Machine Studies, 7(1), 1-13, 1975.

DOI: https://doi.org/10.1016/S0020-7373(75)80002-2

Takagi, T.; Sugeno, M. “Fuzzy Identification of Systems and Its Applications to Modeling and Control.” IEEE Transactions on Systems, Man, and Cybernetics, SMC-15(1), 116-132, 1985.

DOI: https://doi.org/10.1109/TSMC.1985.6313399

Jang, J.-S. R. “ANFIS: Adaptive-Network-Based Fuzzy Inference System.” IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685, 1993.

DOI: https://doi.org/10.1109/21.256541

Dunn, J. C. “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters.” Journal of Cybernetics, 3(3), 32-57, 1973.

DOI: https://doi.org/10.1080/01969727308546046

Bezdek, J. C.; Ehrlich, R.; Full, W. “FCM: The Fuzzy C-Means Clustering Algorithm.” Computers & Geosciences, 10(2-3), 191-203, 1984.

DOI: https://doi.org/10.1016/0098-3004(84)90020-7

Mendel, J. M.; John, R. I. B. “Type-2 Fuzzy Sets Made Simple.” IEEE Transactions on Fuzzy Systems, 10(2), 117-127, 2002.

DOI: https://doi.org/10.1109/91.995115

Kitaplar

Ross, T. J. Fuzzy Logic with Engineering Applications. Wiley.

Klir, G. J.; Yuan, B. Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice Hall.

Jang, J.-S. R.; Sun, C.-T.; Mizutani, E. Neuro-Fuzzy and Soft Computing. Prentice Hall.

Zimmermann, H.-J. Fuzzy Set Theory—and Its Applications. Springer.

Güncel teknik belgeler

MathWorks. Fuzzy Logic Toolbox Documentation.

https://www.mathworks.com/help/fuzzy/

MathWorks. mamfis — Mamdani fuzzy inference system.

https://www.mathworks.com/help/fuzzy/mamfis.html

MathWorks. evalfis — Evaluate fuzzy inference system.

https://www.mathworks.com/help/fuzzy/mamfis.evalfis.html

MathWorks. mamfistype2 — Interval type-2 Mamdani fuzzy inference system.

https://www.mathworks.com/help/fuzzy/mamfistype2.html

MathWorks. anfis / tunefis migration guidance, R2026a documentation.

https://www.mathworks.com/help/fuzzy/anfis.html

Kaynak ders içeriği

AKÜ Teknoloji Fakültesi, Mekatronik Mühendisliği — Bulanık Mantık ile Kontrol ders içerikleri, 2019.

2019 tarihli ders içerikleri; Mamdani/Sugeno örnekleri, sıcaklık kontrolü, trafik ışığı, çok çıkışlı FIS ve MATLAB-Arduino uygulamaları için tarihsel ders kaynağıdır. Yazılım arayüzlerine ilişkin güncel ayrıntılar Eylül 2026 belgeleriyle ayrıca doğrulanmıştır.