The main shortcomings with the gradient descent-based learning algorithms used for neural networks are that the convergence speed is relatively slow and the algorithm can be easily trapped into a local optimum. The studies that demonstrate the robustness of variable structure control have motivated the use of the sliding mode control approach in the training of Articial Neural Networks (ANNs). In this dissertation, the development of a Spiking Neural Network (SNN) with a novel variable structure systems (VSS)-based learning algorithm is considered for the identication and control of dynamic plants. The parameter update rules are derived based on the Lyapunov stability method. Stable online tuning of the neurocontroller parameters and a fast learning speed are the prominent characteristics of the proposed algorithm. Neural networks are very eective in implementing a mapping between the inputs and outputs of a system, but they have a black box nature. On the other hand, fuzzy logic systems are good at explaining how they reach their decisions but they require expert knowledge. If the knowledge is incomplete, wrong or contradictory, then the fuzzy system must be tuned. In the proposed fuzzy SNN (FSNN) structure, SNN is utilized to automate this process and substantially reduce development time and cost while improving performance. The update rules have been derived based on the VSS theory to avoid global stability problems. The developed algorithm has been successfully implemented for the wheel slip regulation of an Antilock Braking System (ABS) and trajectory control of a two-dof SCARA manipulator.

Yapay sinir ağlarında (YSA) sıklıkla kullanılan gradyan tabanlı öğrenme algoritmalarının temel eksiklikleri, yavaş yakınsama hızları ve hata fonksiyonunun sadece yerel minimuma indirilmesinin garanti edilmesi olarak sıralanabilir. Değişken Yapılı Sistemler kuramının gürbüzlüğünü vurgulayan çalışmalar, YSA'nın eğitiminde kayma kipli denetim kuramı tabanlı öğrenme algoritmalarının kullanımını desteklemiştir. Bu tez çalışmasında, dinamik sistemlerin tanımlanmasında ve denetiminde kullanılmak üzere Darbeli Yapay Sinir Ağları (DYSA) için değişken sistemler kuramı temelli öğrenme algoritmalarının geliştirilmesi ele alınmıştır. Parametrelerin güncelleme kurallarının saptanmasında Lyapunov kararlılık yöntemi kullanılmıştır. DYSA'nın parametrelerinin kararlı ve hızlı bir şekilde uyarlanması önerilen algoritmanın en önemli iki özelliğidir. YSA, sistemin girişleri ile çıkışları arasında bir ilişki kurmakta oldukça başarılı olmalarına karşın kara kutu olarak düşünülebilirler. Öte yandan, bulanık mantık sistemleri herhangi bir çıktıya hangi girişleri nasıl kullanarak ulaştıklarını açıklamak konusunda oldukça iyi olmakla beraber, uzman bilgisi gerektirmektedirler. Eğer bu bilgi eksik, yanlış veya çelişkili ise bulanık sistemlerin uyarlanması gerekir. Önerilen bulanık DYSA yapısında, DYSA bu uyarlama işlemini otomatikleştirmek ve başarımı artırırken geliştirme zamanını ve maliyetini önemli ölçüde azaltmak için kullanılmışlardır. Uyarlama kuralları, evrensel kararlılık problemini ortadan kaldırmak için değişken yapılı sistemler kuramı kullanılarak belirlenmiştir. Geliştirilen algoritmalar kilitlenmeyen fren sisteminde (KFS) kayma değerinin kontrolünde ve 2 eksenli SCARA tipi robotun pozisyon kontrolünde başarıyla uygulanmıştır.