Die vorliegende Arbeit stellt einen Beitrag zur Einbindung künstlicher neuronaler Netzwerke in adaptive Regelungssysteme dar. Neben den Grundlagen zur Abbildung dynamischer Prozesse mit neuronalen Netzen wird eine strukturierte Methodik des Netzwerkentwurfes dargestellt, die eine statistische Bewertung des Lernerfolges ermöglicht. Darüber hinaus wird eine Klasse regelungstechnisch motivierter Lernverfahren vorgestellt, welche neuronale Netze als dynamische Systeme aufgefasst, womit das Lernen innerhalb eines Netzwerkes als geregelter Prozess betrachtet werden kann. Dies erlaubt die Anwendung der Gleitzustandsregelung auf neuronale Lernverfahren, welche so um eine intrinsische Stabilitätsbedingung erweitert werden können. Durch die dynamische Bestimmung der Lernraten vermag dieser Lernansatz die Zustände eines neuronalen Netzes in den global asymptotisch stabilen Gleitzustand zu überführen. Die praktische Bedeutung dieses Lernverfahrens wird am Beispiel zweier Regelungsstrategien dargestellt: Der modellfreien neuronalen Regelung und der neuronal gestützten dynamischen Inversion. Die Ergebnisse beider Regelungsverfahren unterstreichen die robusten Eigenschaften neuronaler Netze zur Abbildung komplexer dynamischer Prozesse. Es zeigen sich besondere Vorteile bei der Kombination von dynamischer Inversion und neuronalen Netzwerken, die mit dem Gleitzustandslernverfahren trainiert werden. Dies liegt darin begründet, dass die Überführung der Zustandsgrößen des Netzes in den Gleitzustand eine stabilisierende Wirkung auf die Fehlerdynamik des Regelkreises besitzt. Am Beispiel eines beschädigten unbemannten Flugzeuges zeigt sich, dass dieses Verfahren wegen seiner dynamischen Bestimmung der Lernrate eine höhere Konvergenzgeschwindigkeit als vergleichbare etablierte Ansätze aufweist. Die Ergebnisse unterstreichen die Vorzüge der Kombination von klassischer Regelungstechnik und Maschinenlernverfahren bei der Auslegung komplexer Regelungssysteme.
Zur Anwendung neuronaler Netzwerke in adaptiven Flugregelungssystemen
Application of Neural Networks in Adaptive Flight Control Systems
2012
Sonstige
Elektronische Ressource
Deutsch
DDC: | 629.1 |
Bildkomprimierung mittels künstlicher neuronaler Netzwerke
Europäisches Patentamt | 2023
|Künstliche neuronale Netzwerke zur adaptiven Fahrdynamikregelung
TIBKAT | 2024
|Verfahren zum Trainieren künstlicher neuronaler Netzwerke
Europäisches Patentamt | 2024
|VORHERSAGE DES FAHRZEUGGESCHWINDIGKEITSPROFILS UNTER VERWENDUNG NEURONALER NETZWERKE
Europäisches Patentamt | 2023
|