Bulanık Mantığın Tarihsel Gelişimi ve Bulanıklılık Kavramı

ÖZET

Bu çalışma, bulanık mantığın 1965'teki teorik temellerinden günümüzdeki hibrit yapay zekâ uygulamalarına uzanan gelişim sürecini tarihsel ve kavramsal bir perspektiften ele almaktadır. Lotfi A. Zadeh’in öncü çalışmasıyla bilim gündemine giren bulanık kümeler teorisi, başlangıçta akademik çevrelerde geniş bir dirençle karşılaşmış ancak 1973'te dilsel değişkenler kavramının sistematik biçimde ortaya konmasıyla teorik altyapısını pekiştirmiştir. 1980'lerde Japonya’da başlayan endüstriyel atılım — özellikle Hitachi tarafından geliştirilen Sendai metrosu otomatik tren kontrol sistemi — bulanık mantığın yalnızca soyut bir araç olmadığını, gerçek mühendislik problemlerinde uygulanabilir sonuçlar ürettiğini kanıtlamıştır. 2000'li yıllardan itibaren ise Tip-2 bulanık kümeler ve Nöro-Bulanık sistemlerin gelişimiyle teori, makine öğrenmesi ve derin öğrenme araştırmalarıyla bütünleşmeye başlamıştır.

Çalışma kapsamında bulanıklılık kavramının özünü oluşturan üyelik fonksiyonları türleri karşılaştırmalı olarak incelenmiş, dilsel değişkenlerin belirsizlik yönetimindeki işlevi teorik düzlemde ele alınmıştır. Ayrıca literatürde yaygın biçimde kullanılan Mamdani ve Sugeno çıkarım modelleri; kural yapısı, çıktı biçimi ve uygulama uygunluğu bakımından karşılaştırmalı olarak değerlendirilmiştir. Kontrol sistemleri, tıp, finans ve otonom sistemler olmak üzere dört temel uygulama alanı somut örneklerle tartışılmıştır. Uygulamalı sistem tasarımı ve nicel performans karşılaştırmaları çalışmanın kapsamı dışında tutulmuştur.

Yapılan inceleme sonucunda, üyelik fonksiyonu tasarımındaki öznel bağımlılık ve yüksek boyutlu problemlerd eki kural patlaması gibi sınırlılıkların Nöro-Bulanık yaklaşımlarla kısmen aşılabildiği görülmüştür. Bulanık mantık, belirsizlik içeren problemlerin modellenmesinde olgunlaşmış bir çerçeve olmayı korurken, Tip-2 bulanık kümelerin yaygınlaşması ve makine öğrenmesiyle derinleşen entegrasyon alanın önündeki açık araştırma yönleri olarak öne çıkmaktadır.

Anahtar Kelimeler: Bulanık Mantık, Bulanık Kümeler, Üyelik Fonksiyonları, Dilsel Değişkenler, Mamdani Modeli, Sugeno Modeli, Belirsizlik Yönetimi, Hibrit Sistemler, Tarihsel Gelişim.

ABSTRACT

This study examines the historical and conceptual development of fuzzy logic, tracing its evolution from the theoretical foundations established in 1965 to its contemporary integration into hybrid artificial intelligence systems. Lotfi A. Zadeh’s pioneering work introduced fuzzy set theory to the scientific community, where it initially faced considerable skepticism. The theoretical framework was further consolidated in 1973 with the systematic formulation of linguistic variables. The industrial breakthrough that followed in 1980s Japan — most notably the Sendai subway automatic train control system developed by Hitachi — demonstrated that fuzzy logic could yield practical engineering results beyond purely abstract applications. From the 2000s onward, advances in type-2 fuzzy sets and neuro-fuzzy systems have increasingly aligned the field with machine learning and deep learning research.

Within this scope, the study analyzes membership function types comparatively, examines the role of linguistic variables in uncertainty management, and evaluates the Mamdani and Sugeno inference models in terms of rule structure, output format, and application suitability. Four application domains — control systems, medicine, finance, and autonomous systems — are discussed with concrete examples. Applied system design and quantitative performance comparisons fall outside the scope of this study.

The analysis reveals that limitations such as subjective dependence in membership function design and rule explosion in high-dimensional problems can be partially addressed through neuro-fuzzy approaches. While fuzzy logic remains a well-established framework for modeling uncertainty, the proliferation of type-2 fuzzy sets and deepening integration with machine learning emerge as open research directions for the field.

Keywords: Fuzzy Logic, Fuzzy Sets, Membership Functions, Linguistic Variables, Mamdani Model, Sugeno Model, Uncertainty Management, Hybrid Systems, Historical Development.

1. GİRİŞ

Klasik mantık ve Aristotelesçi yaklaşım, yüzyıllar boyunca bilimsel düşüncenin temelini oluşturmuş; olguları doğru (1) ya da yanlış (0) biçiminde iki keskin kategoriye yerleştirmiştir. Bu ikili yapı dijital sistemlerin gelişiminde işlevsel bir çerçeve sunmuş olsa da, gerçek dünyadaki olayların ve insan muhakemesinin doğasında bulunan muğlaklıkları açıklamakta yetersiz kalmaktadır. Sıcak, hızlı veya yeterince güvenli gibi gündelik kavramlar, klasik küme teorisinin katı sınırlarına sığdırılamaz. Örneğin 36 °C bir oda sıcaklığı, ikili bir sistemde yalnızca sıcak ya da soğuk olarak sınıflandırılabilir. Oysa gerçekte bu değer, bağlama göre her ikisinin de belirli bir derecesini taşıyabilir. Bu tür sınır durumları, klasik mantığın pratik mühendislik problemlerindeki kırılganlığını somut biçimde ortaya koymaktadır.

Bu sorunu ele almak amacıyla Lotfi A. Zadeh, 1965 yılında önerdiği Bulanık Kümeler teorisiyle belirsizliği bir hata payı olarak değil, sistemin doğal bir bileşeni olarak matematiksel modele dahil etmiştir [1]. Zadeh’in yaklaşımı, bir elemanın bir kümeye ait olup olmadığını değil, ne ölçüde ait olduğunu sorgulaması bakımından dönemin hâkim paradigmasından köklü biçimde ayrılmaktaydı. Klasik küme teorisinde keskin bir sınırla ayrılan üyelik kavramı, bulanık kümelerde [0, 1] aralığında sürekli bir derecelendirmeye dönüşmüştür.

Bulanık mantık, insan düşünce yapısının esnekliğini matematiksel bir çerçevede ifade etme imkânı sunar. Geleneksel kontrol teorileri, incelenen sistemin hassas bir matematiksel modeline ihtiyaç duyarken; bulanık mantık tabanlı sistemler, karmaşık diferansiyel denklemler yerine uzman bilgisini ve dilsel değişkenleri kullanır. Bu yaklaşım, özellikle doğrusal olmayan ya da matematiksel modeli çıkarılamayacak kadar karmaşık süreçlerin yönetiminde öne çıkmaktadır. Mamdani ve Assilian’ın 1975 yılında gerçekleştirdiği buhar makinesi kontrol deneyi, yöntemin yalnızca soyut bir araç olmadığını, belirsiz ortam koşullarında bile geleneksel PID kontrolcüsüne kıyasla daha kararlı bir performans sergileyebildiğini ortaya koymuştur [2]. Bu deney, bulanık mantığın endüstriyel uygulamalara taşınmasında bir kırılma noktası olarak kabul edilmektedir.

Günümüzde bulanık mantık; otonom araçların karar verme mekanizmalarından tıbbi teşhis sistemlerine, finansal risk analizinden enerji yönetimine uzanan geniş bir alanda kullanılmaktadır. Yapay sinir ağlarıyla birleştirilen Nöro-Bulanık yapılar ise sisteme öğrenme yeteneği kazandırarak bu alanı yapay zekâ araştırmalarıyla doğrudan ilişkilendirmiştir. Böylece bulanık mantık, salt bir kontrol yöntemi olmaktan çıkıp daha geniş bir bilişsel modelleme aracına dönüşmüştür. Bu çalışma; bulanık mantığın tarihsel gelişimini, temel kavramsal altyapısını ve öne çıkan çıkarım modellerini ele almaktadır. Uygulamalı sistem tasarımı ve nicel performans karşılaştırmaları çalışmanın kapsamı dışında tutulmuştur.

2. LİTERATÜR TARAMASI

Bu çalışmada bulanık mantık alanındaki temel kaynaklar; IEEE Xplore, Google Scholar ve Springer veritabanları üzerinden “fuzzy logic”, “fuzzy sets”, “membership functions” ve “fuzzy control systems” anahtar kelimeleriyle taranmıştır. 1965–2010 yılları arasını kapsayan bu taramada, alanın kurucu niteliğindeki teorik çalışmalar ile endüstriyel uygulamalara yönelik araştırmalar öncelikli olarak değerlendirilmiştir.

Teorik altyapı açısından en kapsamlı kaynaklardan biri Klir ve Yuan’ın çalışmasıdır [3]. Zadeh’in öncü makalesinin ardından ortaya çıkan bu eser, bulanık küme teorisinin matematiksel temellerini sistematik biçimde ele almış, olasılık teorisiyle olan kavramsal sınırları da tartışmaya açmıştır. Ross ise bu teorik birikimi mühendislik perspektifinden yeniden yorumlamış, kontrol sistemleri tasarımında bulanık mantığın nasıl uygulanabileceğini somut örneklerle ortaya koymuştur [4].

Uygulama odaklı çalışmalar incelendiğinde Zimmermann’ın katkısı öne çıkmaktadır [5]. Zimmermann, bulanık küme teorisini çok kriterli karar verme problemlerine uyarlayarak yöntemin yalnızca mühendislik alanıyla sınırlı kalmadığını, yönetim ve sosyal bilimlerde de işlevsel olduğunu göstermiştir. Takagi ve Sugeno ise kural tabanlı sistemleri matematiksel fonksiyonlarla birleştiren yeni bir çıkarım modeli geliştirmiş, bu model özellikle optimizasyon gerektiren adaptif kontrol problemlerinde Mamdani modelinin önüne geçmiştir [6]. Mendel, her iki yaklaşımı mühendislik uygulamaları bağlamında karşılaştırmalı olarak ele almış ve kural tabanlı bulanık sistemlerin tasarım ilkelerini kapsamlı biçimde ortaya koymuştur [7].

Mevcut literatür bir bütün olarak değerlendirildiğinde, teorik çalışmaların uygulama odaklı araştırmalara zemin hazırladığı ve her iki kolun günümüzde hibrit yapay zekâ sistemlerinde birleştiği görülmektedir. Bununla birlikte, bu çalışmaların büyük çoğunluğu belirli bir uygulama alanına ya da model türüne odaklanmakta; tarihsel gelişim ile kavramsal altyapıyı bütünleşik bir perspektiften ele alan çalışmalar görece sınırlı kalmaktadır. Bu çalışma, söz konusu boşluğu doldurmayı amaçlamaktadır.

3. BULANIK MANTIĞIN TARİHSEL GELİŞİMİ

3.1. İlk Dönem (1965–1980): Teorik Temeller

Bulanık mantığın tarihsel serüveni, Zadeh’in 1965 yılında Berkeley Üniversitesi’nde kaleme aldığı “Fuzzy Sets” makalesiyle başlar. Ne var ki bu çalışma, yayımlandığı dönemde bilim çevrelerinde geniş çapta kabul görmemiş; aksine ciddi bir şüphecilikle karşılanmıştır. Dönemin önde gelen araştırmacılarından bir bölümü, bulanık küme teorisinin olasılık teorisinin farklı bir biçiminden ibaret olduğunu öne sürerken, bir kısmı teorinin matematiksel kesinlikten yoksun olduğunu ileri sürmüştür [1]. Bu direnç, kısmen fuzzy kelimesinin İngilizce’deki olumsuz çağrışımlarından kaynaklanmış; kısmen de dönemin bilimsel paradigmasının ikili mantık üzerine kurulu olmasından beslenmiştir.

Bununla birlikte Zadeh, teorik çerçeveyi geliştirmeyi sürdürmüştür. 1973 yılında yayımladığı çalışmasında dilsel değişkenler kavramını ve yaklaşık akıl yürütme ilkelerini sistematik biçimde ortaya koymuştur. Bulanık mantığın salt bir küme teorisi olmadığını, karmaşık sistemlerin modellenmesinde kullanılabilecek bütünleşik bir çerçeve sunduğunu göstermiştir [8]. Bu dönemde çalışmalar büyük ölçüde soyut matematiksel düzeyde kalmıştır. Bulanık kümelerin birleşimi, kesişimi ve tümleyeni gibi temel işlemler üzerine yoğunlaşılmıştır. Teorinin endüstriyel uygulamalara taşınması ise bir sonraki on yıla kalmıştır.

3.2. Gelişim Dönemi (1980–2000): Endüstriyel Atılım

1980'li yıllara gelindiğinde bulanık mantık, özellikle Japon mühendisler arasında giderek artan bir ilgi görmüştür. Batı akademisinin teoriye yönelik çekingen tutumunun aksine Japonya, bulanık mantığı pratik mühendislik problemlerinin çözümünde hızla uygulamaya koymuştur. Bu dönemin en çarpıcı örneği, Hitachi mühendisleri Yasunobu ve Miyamoto’nun 1985 yılında gerçekleştirdikleri simülasyon çalışmasıdır. Söz konusu çalışmada Sendai metrosu için bulanık mantık tabanlı bir otomatik tren kontrol sistemi tasarlanmış ve sistem 1987 yılında fiilen devreye girmiştir [9]. Hitachi tarafından geliştirilen bu sistem, insan kontrolüne kıyasla yüzde on daha az enerji tüketerek duruş ve kalkışlarda belirgin bir pürüzsüzlük sağlamıştır. Bu başarı, teorinin soyut bir matematiksel araç olmaktan çıkıp gerçek dünya sistemlerine uygulanabilir bir teknolojiye dönüştüğünün somut kanıtı olmuştur.

Sendai örneğinin ardından bulanık mantık, Japonya’da tüketici elektroniğinden endüstriyel kontrol sistemlerine uzanan geniş bir alanda yaygınlaşmıştır. Matsushita elektrikli süpürgeleri toz sensörlerini yorumlamak için bulanık algoritmalar kullanırken, Hitachi çamaşır makineleri yük ağırlığı ve kumaş türüne göre otomatik yıkama döngüsü belirlemek amacıyla bulanık denetleyicilerden yararlanmıştır. Bu uygulamalar teorinin akademik çevrelerdeki itibarını da güçlendirmiş, 1980'lerin sonundan itibaren Avrupa ve Amerika’da da bulanık mantığa yönelik araştırma ilgisi belirgin biçimde artmıştır [3].

3.3. Modern Dönem (2000 Sonrası): Hibrit Sistemler

2000'li yıllara gelindiğinde bulanık mantık, tek başına bir kontrol yöntemi olmanın ötesine geçerek yapay sinir ağları ve evrimsel algoritmalarla entegre edilen hibrit yapıların temel bileşenlerinden biri haline gelmiştir. Bu dönemin en önemli gelişmelerinden biri, üyelik fonksiyonlarının kendisinin de belirsizlik taşıyabileceği fikrinden hareketle ortaya çıkan Tip-2 bulanık kümeler yaklaşımıdır. 2000'li yılların başında Tip-2 bulanık mantık sistemlerine yönelik araçlar geliştirilmeye başlanmış; bu yapılar, geleneksel Tip-1 bulanık kümelerin ötesinde gerçek dünya sistemlerindeki gürültü ve belirsizliği daha etkin biçimde modelleyebilmiştir.

Öte yandan yapay sinir ağlarının öğrenme kapasitesini bulanık mantığın dilsel yorumlanabilirliğiyle birleştiren Nöro-Bulanık sistemler, bu dönemde hızla gelişmiştir. Mendel’in bu alandaki kapsamlı çalışmaları, kural tabanlı bulanık sistemlerin tasarım ilkelerini yeniden ele alarak belirsiz ortamlarda daha gürbüz ve uyarlanabilir sistemlerin inşa edilmesine zemin hazırlamıştır [10]. Böylece bulanık mantık, yalnızca bir kontrol mühendisliği aracı olmaktan çıkıp makine öğrenmesi ve yapay zekâ araştırmalarının merkezine yerleşmiştir.

4. BULANIKLILIK KAVRAMI

Bulanıklılık, bir elemanın bir kümeye aitliğinin keskin bir sınırla belirlenmediği, bunun yerine dereceli bir geçişle ifade edildiği durumu tanımlar. Klasik küme teorisinde herhangi bir eleman ya tam anlamıyla bir kümeye aittir ya da hiç değildir; üyelik yalnızca {0, 1} değerlerini alır. Bulanık kümelerde ise bu durum [0, 1] kapalı aralığında herhangi bir reel sayı ile ifade edilebilir. Bu yaklaşım, orta yaşlı, yüksek sıcaklık veya düşük hız gibi doğal dilde sıkça kullanılan ancak kesin sayısal sınırları bulunmayan kavramların matematiksel olarak temsil edilmesine zemin hazırlar [3].

4.1. Üyelik Fonksiyonları ve Analizi

Üyelik fonksiyonları, bir elemanın bulanık kümeye olan aitlik derecesini [0, 1] aralığında sayısal olarak belirleyen grafiksel yapılardır [3]. Fonksiyonun aldığı değer 1'e yaklaştıkça elemanın ilgili kümeye tam üyeliği, 0'a yaklaştıkça ise küme dışılığı söz konusudur. Ara değerler kısmi üyeliği temsil eder. Fonksiyon türünün seçimi, modellenen sistemin davranış biçimine ve hesaplama gereksinimlerine göre şekillenir.

Literatürde en yaygın kullanılan üç fonksiyon türü bulunmaktadır. Üçgen fonksiyon, basit ve hesaplama yükü düşük yapısıyla gerçek zamanlı kontrol uygulamalarında sıklıkla tercih edilir. Ancak tepe noktasından her iki yöne doğru doğrusal bir düşüş sergilediğinden geçiş bölgelerini kaba biçimde modeller. Yamuk fonksiyon, belirli bir değer aralığında tam üyeliği koruyarak bu aralığın dışında doğrusal azalma gösterir. Bir kavramın geniş bir sayısal bant boyunca geçerli sayıldığı durumlarda daha uygun bir tercih olur. Gauss fonksiyonu ise simetrik ve pürüzsüz yapısıyla doğal süreçleri en gerçekçi biçimde modelleyen seçenektir. Bununla birlikte hesaplama maliyeti diğer iki türe kıyasla daha yüksektir. Dolayısıyla sistem tasarımcısı, bu üç seçenek arasında pürüzsüzlük ile hesaplama verimliliğini birlikte değerlendirerek karar vermelidir [3][4].

4.2. Dilsel Değişkenler ve Belirsizlik Yönetimi

Geleneksel matematiksel modelleme yöntemleri sistem değişkenlerini kesin sayısal değerlerle tanımlarken, insan muhakemesi sıcak, çok hızlı veya yaklaşık 5 metre gibi esnek ifadelere dayanır. Dilsel değişkenler bu esnek yapıyı matematiksel bir çerçeveye oturtmak amacıyla Zadeh tarafından sistematik biçimde tanımlanmıştır [8][11]. Bir dilsel değişken, sayısal değerlerin ötesinde kelimeler veya cümlelerle ifade edilen değerleri kapsar ve beş bileşenli bir yapıyla tanımlanır: değişkenin adı (X), değişkene ait dilsel terimlerin kümesi T(X), evrensel küme U, terimleri üreten sözdizimsel kural G ve her bir dilsel terime karşılık gelen üyelik fonksiyonu M [11]. Örneğin “Sıcaklık” adlı bir dilsel değişken için T(X) = {Çok Soğuk, Soğuk, Ilık, Sıcak, Çok Sıcak} ve U = [0°C, 100°C] olarak tanımlanabilir; M ise bu beş terimin her birine karşılık gelen üyelik fonksiyonunu belirler.

Belirsizlik, mühendislik sistemlerinde rastlantısallık, eksik bilgi ve muğlaklık olmak üzere üç ana kategoride ele alınır. Klasik olasılık teorisi rastlantısallıkla ilgilenirken bulanık mantık, kesin sınırları olmayan kavramların içerdiği muğlaklık üzerine yoğunlaşır. Bulanık mantık sistemlerinde bu tür belirsizlikler birbirine bağlı üç süreçle yönetilir. İlk süreçte kesin bir sayısal değerin tanımlı dilsel kümelere ne ölçüde ait olduğu [0, 1] aralığında belirlenir; böylece sistem sert kararlar yerine kademeli geçişlere dayanan esnek bir değerlendirme yapar. İkinci süreçte Ve, Veya, Değil gibi mantıksal bağlaçlar aracılığıyla dilsel değişkenler arasında ilişkiler kurulur; “EĞER sıcaklık Yüksek VE nem Düşük İSE fan hızı Hızlı olsun” biçimindeki bir kural bu sürecin tipik bir örneğidir. Üçüncü süreçte ise üyelik fonksiyonu türünün seçimi — önceki alt bölümde ele alınan üçgen, yamuk veya Gauss yapıları — sistemin belirsizliğe karşı vereceği tepkinin pürüzsüzlüğünü doğrudan belirler [3][4][8].

Sonuç olarak dilsel değişkenlerin kullanımı, karmaşık sistemlerin tam matematiksel modelini bilmeksizin uzman bilgisinin sisteme aktarılmasını mümkün kılar. Bu durum, ölçüm hatalarının veya çevresel değişimlerin yüksek olduğu uygulamalarda sistemin gürbüzlüğünü doğrudan etkileyen bir tasarım tercihidir [4].

5. BULANIK MANTIK SİSTEMLERİ

Bulanık mantık sistemleri, kesin sayısal girdileri dilsel kurallara dayalı bir çıkarım mekanizmasıyla işleyerek anlamlı çıktılara dönüştüren yapılardır. Bu işlem tipik olarak üç aşamada gerçekleşir: bulanıklaştırma, kural tabanı ve durulaştırma. Bulanıklaştırma aşamasında kesin (crisp) sayısal girdiler, tanımlı üyelik fonksiyonları aracılığıyla dilsel değişkenlere dönüştürülür. Kural tabanı aşamasında bu dilsel değişkenler, uzman bilgisinden türetilen EĞER-İSE (IF-THEN) kuralları çerçevesinde işlenir. Durulaştırma aşamasında ise çıkarım sonucunda elde edilen bulanık çıktı, sisteme uygulanabilir kesin bir sayısal değere geri dönüştürülür [4]. Bu üç aşamalı yapı, hem Mamdani hem de Sugeno modelinin ortak iskeletini oluşturur. Ancak iki model kural yapısı ve çıktı biçimi bakımından birbirinden ayrışır.

5.1. Mamdani Modeli

Mamdani modeli, 1975 yılında Mamdani ve Assilian tarafından buhar makinesi kontrolü üzerine yapılan çalışmada önerilmiş ve bulanık mantığın ilk başarılı endüstriyel uygulaması olma özelliğini taşımaktadır [2]. Modelin temel ayırt edici özelliği, hem kural öncüllerinin hem de kural sonuçlarının dilsel değişkenlerle ifade edilmesidir. Başka bir deyişle sistemin çıktısı da bir bulanık kümedir ve durulaştırma aşamasında bu bulanık çıktı ağırlık merkezi ya da maksimum üyelik gibi yöntemlerle kesin bir değere indirgenir.

Bu yapı, kural tabanının doğrudan insan deneyimine ve sezgisel yargılara dayandırılabilmesini sağlar. Bir operatörün “sıcaklık yüksekse soğutmayı artır” biçimindeki pratik bilgisi, herhangi bir matematiksel dönüşüme gerek kalmaksızın sisteme aktarılabilir. Bu özellik Mamdani modelini özellikle karar destek sistemleri, tıbbi teşhis uygulamaları ve insan-makine etkileşiminin yoğun olduğu alanlarda tercih edilen bir seçenek hâline getirmektedir. Bununla birlikte durulaştırma adımının hesaplama maliyeti, gerçek zamanlı ve yüksek hızlı kontrol uygulamalarında bir dezavantaj oluşturabilir [4].

5.2. Sugeno Modeli

Takagi ve Sugeno tarafından 1985 yılında önerilen model, Mamdani yaklaşımından çıktı yapısı bakımından köklü biçimde ayrılır [6]. Sugeno modelinde kural öncülleri dilsel değişkenlerle tanımlanırken kural sonuçları, giriş değişkenlerinin sabit ya da doğrusal bir fonksiyonu olarak ifade edilir. Bu sayede durulaştırma aşaması ağırlıklı ortalama hesabına indirgenebilir. Bu da hesaplama yükünü önemli ölçüde azaltır.

Sugeno modelinin bu matematiksel yapısı, onu optimizasyon ve adaptif kontrol problemleri için daha elverişli kılar. Kural sonuçlarının sayısal fonksiyonlarla temsil edilmesi, model parametrelerinin en küçük kareler veya gradyan tabanlı yöntemlerle güncellenmesine olanak tanır. Bu özellik, Sugeno modelini yapay sinir ağlarıyla entegrasyona da açık hâle getirmiş, Nöro-Bulanık sistemlerin büyük çoğunluğu bu yapı üzerine inşa edilmiştir [6][10].

5.3. Modellerin Karşılaştırmalı Değerlendirmesi

Her iki model de aynı üç aşamalı mimariyi paylaşmakla birlikte farklı tasarım önceliklerine yanıt verir. Mamdani modeli yorumlanabilirliği ön plana çıkarır; kural tabanı uzman bilgisine doğrudan karşılık geldiğinden sistem davranışı insan tarafından kolayca anlaşılabilir. Sugeno modeli ise hesaplama verimliliğini ve matematiksel uyumluluğu öne çıkarır. Bu nedenle öğrenme ve optimizasyon gerektiren uygulamalarda daha yaygın kullanılmaktadır. Uygulama alanı ve sistemin yorumlanabilirlik gereksinimi, iki model arasındaki tercih için belirleyici ölçütler olarak öne çıkmaktadır [4][6].

6. UYGULAMA ALANLARI

Bulanık mantığın esnek yapısı, matematiksel modeli tam olarak kestirilemeyen ya da veri belirsizliğinin yüksek olduğu sistemlerde geleneksel yöntemlere kıyasla belirgin avantajlar sunmaktadır. Bu özellik, teorinin mühendislikten tıbba, finanstan otonom sistemlere uzanan geniş bir yelpazede benimsenmesinin temel nedenidir [4].

Kontrol Sistemleri

Bulanık mantığın en köklü uygulama alanı kontrol mühendisliğidir. Klima sistemleri, çamaşır makineleri ve otomotiv şanzımanları gibi tüketici ürünlerinden endüstriyel proses kontrolüne kadar pek çok sistemde bulanık denetleyiciler kullanılmaktadır. Bu sistemlerde temel tercih nedeni, hassas bir matematiksel modele ihtiyaç duymaksızın operatör deneyiminin kural tabanına doğrudan aktarılabilmesidir. Sendai metrosu örneğinde de görüldüğü üzere, bulanık denetleyiciler doğrusal olmayan ve zaman değişkenli süreçlerde konvansiyonel PID denetleyicilerine kıyasla daha kararlı sonuçlar üretebilmektedir [4][9].

Tıp ve Klinik Karar Destek

Tıbbi teşhis süreçleri, semptomların belirsiz ve çakışan nitelikte olması nedeniyle bulanık mantığın doğal uygulama alanlarından birini oluşturur. Bir semptomun birden fazla hastalıkla ilişkili olabilmesi ya da aynı hastalığın farklı şiddet düzeylerinde ortaya çıkması, ikili mantık sistemlerinin yetersiz kaldığı durumlar arasındadır. Bulanık kural tabanlı karar destek sistemleri, bu tür belirsizlikleri kademeli üyelik dereceleriyle modelleyerek klinisyenlere daha ayrıntılı bir değerlendirme çerçevesi sunmaktadır [5][7].

Finans ve Risk Analizi

Finansal piyasalar, belirsizliğin yapısal olarak var olduğu ve geleneksel istatistiksel modellerin yetersiz kaldığı ortamlar arasındadır. Piyasa verilerindeki gürültü, yatırımcı davranışının dilsel niteliği ve risk değerlendirmesinin öznel boyutları, bulanık mantığın finans alanındaki kullanımını gerekçelendiren başlıca unsurlardır. Kredi derecelendirme, portföy optimizasyonu ve döviz kuru tahmini gibi uygulamalarda bulanık sistemler, hem nicel verileri hem de nitel uzman yargılarını aynı çerçevede işleyebilme kapasitesiyle öne çıkmaktadır [5][7].

Otonom Sistemler

Otonom araç ve robotların karar verme mekanizmaları, gerçek zamanlı belirsizlik yönetimi gerektiren karmaşık yapılardır. Bir aracın hız, mesafe ve yol koşullarını eş zamanlı değerlendirerek frenleme ya da yönelim kararı vermesi, kesin sayısal eşikler yerine dilsel kuralların kullanıldığı bulanık çıkarım sistemleriyle daha etkin biçimde modellenebilir. Bu alanda Sugeno modelinin hesaplama verimliliği ve Nöro-Bulanık yapıların öğrenme kapasitesi, sistemlerin dinamik ortamlara uyum sağlamasını kolaylaştırmaktadır [6][10].

7. TARTIŞMA VE SONUÇ

Bu çalışma boyunca ele alınan bulgular bir bütün olarak değerlendirildiğinde, bulanık mantığın yalnızca matematiksel bir araç olmadığı; belirsizliği sistemin dışında bir hata kaynağı olarak değil, modelin içinde yönetilebilir bir bileşen olarak konumlandıran bütünleşik bir yaklaşım olduğu görülmektedir. 1965'teki teorik başlangıcından günümüzdeki hibrit yapay zekâ uygulamalarına uzanan süreç, bu yaklaşımın farklı dönemlerde farklı biçimlerde doğrulandığını ortaya koymaktadır.

Bulanık mantığın en belirgin gücü, matematiksel modeli tam olarak bilinmeyen karmaşık sistemlerde geleneksel yöntemlerin sağlayamadığı esnekliği sunmasıdır. Mamdani modelinin dilsel yorumlanabilirliği ve Sugeno modelinin hesaplama verimliliği, bu esnekliğin farklı uygulama gereksinimlerine göre biçimlenebildiğini göstermektedir [2][6]. Kontrol sistemlerinden tıbbi karar desteğine, finansal risk analizinden otonom araç navigasyonuna uzanan uygulama çeşitliliği de teorinin belirli bir alana özgü olmadığını, disiplinler arası bir işlevselliğe sahip olduğunu doğrulamaktadır [4][5].

Öte yandan bulanık mantığın belirgin sınırlılıkları da göz ardı edilemez. Üyelik fonksiyonlarının ve kural tabanının belirlenmesi büyük ölçüde uzman deneyimine dayanır. Bu durum, sistemin performansını tasarımcıdan tasarımcıya değişen öznel yargılara bağımlı hale getirebilir. Kural sayısının giriş değişkeni sayısıyla üstel biçimde artması ise yüksek boyutlu problemlerde sistem karmaşıklığını yönetmeyi güçleştirir [4][7]. Bu sınırlılıkların aşılmasına yönelik en güncel yaklaşım, Nöro-Bulanık sistemlerin öğrenme kapasitesini devreye sokmaktır. Eğitim verisi üzerinden otomatik olarak güncellenen üyelik fonksiyonları ve kural ağırlıkları, subjektif tasarım sürecinin yarattığı kırılganlığı önemli ölçüde azaltmaktadır [10].

Tarihsel süreç incelendiğinde, teorinin her dönemde dönemin baskın teknolojik paradigmasıyla eklemlendiği görülmektedir. İlk dönemde soyut matematiksel bir çerçeve olarak kalan bulanık mantık, 1980'lerde endüstriyel kontrol sistemleriyle, 2000'lerden itibaren ise derin öğrenme ve otonom sistemlerle bütünleşmiştir. Bu örüntü, teorinin özündeki esnekliğin yalnızca uygulama düzeyinde değil, başka yaklaşımlarla kurduğu ilişki biçiminde de kendini gösterdiğine işaret etmektedir [8][10].

Sonuç olarak bulanık mantık, belirsizlik içeren problemlerin modellenmesinde olgunlaşmış ve kanıtlanmış bir çerçeve olmayı sürdürmektedir. Bununla birlikte, özellikle büyük ölçekli veri ortamlarında hesaplama verimliliğinin artırılması ve kural tabanı tasarımının otomatikleştirilmesi, alanın önündeki açık araştırma soruları olarak durmaktadır. Tip-2 bulanık kümelerin yaygınlaşması ve makine öğrenmesi yöntemleriyle derinleşen entegrasyon, bu soruların yanıtlanmasında belirleyici bir rol üstlenebilir [10][11].

8. KAYNAKÇA

• [1] L. A. Zadeh, “Fuzzy Sets,” Information and Control, vol. 8, no. 3, pp. 338–353, 1965.
• [2] E. H. Mamdani and S. Assilian, “An experiment in linguistic synthesis with a fuzzy logic controller,” International Journal of Man-Machine Studies, vol. 7, no. 1, pp. 1–13, 1975.
• [3] G. J. Klir and B. Yuan, Fuzzy Sets and Fuzzy Logic: Theory and Applications. Upper Saddle River, NJ: Prentice Hall, 1995.
• [4] T. J. Ross, Fuzzy Logic with Engineering Applications, 3rd ed. Chichester, UK: Wiley, 2010.
• [5] H. J. Zimmermann, Fuzzy Set Theory and Its Applications, 4th ed. Norwell, MA: Springer, 2001.
• [6] T. Takagi and M. Sugeno, “Fuzzy Identification of Systems and Its Applications to Modeling and Control,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-15, no. 1, pp. 116–132, 1985.
• [7] J. M. Mendel, Fuzzy Logic Systems for Engineering. New York, NY, USA: IEEE Press, 1995.
• [8] L. A. Zadeh, “Outline of a New Approach to the Analysis of Complex Systems and Decision Processes,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, no. 1, pp. 28–44, Jan. 1973.
• [9] S. Yasunobu and S. Miyamoto, “Automatic Train Operation System by Predictive Fuzzy Control,” in Industrial Applications of Fuzzy Control, M. Sugeno, Ed. Amsterdam: North-Holland, 1985, pp. 1–18.
• [10] J. M. Mendel, Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions. Upper Saddle River, NJ: Prentice-Hall PTR, 2001.
• [11] L. A. Zadeh, “The Concept of a Linguistic Variable and Its Application to Approximate Reasoning — I,” Information Sciences, vol. 8, no. 3, pp. 199–249, 1975.