Moderne Konzepte der Automatisierungstechnik erfordern in zunehmendem Maße mathematische Modelle der betrachteten realen Prozesse. Die vorliegende Dissertation beschäftigt sich mit der experimentellen Modellbildung für statische und dynamische nichtlineare Prozesse. Ausgehend von einer Klassifikation bekannter Modellarchitekturen aus dem Bereich der neuronalen Netze und der Neuro-Fuzzy Systeme sowie verwandter Disziplinen werden zwei neu entwickelte Modellarchitekturen vorgestellt. Diese Hinging Hyperplane Baummodelle und hierarchischen Kennfelder stellen aufgrund des Einsatzes von hierarchischen Strukturoptimierungsverfahren, Regularisierungstechniken sowie der Integration von Expertenwissen transparente Modelle mit geringer Komplexität dar. Die resultierenden statischen oder dynamischen Modelle sind daher zumindest teilweise interpretierbar und vermeiden effektiv die Gefahr einer Überanpassung. Verschiedene Anwendungsbeispiele aus dem Bereich der Kraftfahrzeugtechnik verdeutlichen die Vorteile der hierarchischen neuronalen Modelle.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Hierarchische neuronale Modelle für die Identifikation nichtlinearer Systeme


    Beteiligte:
    Töpfer, S. (Autor:in)


    Erscheinungsdatum :

    2002


    Format / Umfang :

    184 Seiten, 101 Bilder, 18 Tabellen, 107 Quellen




    Medientyp :

    Hochschulschrift


    Format :

    Print


    Sprache :

    Deutsch





    Verfahren zur Identifikation nichtlinearer dynamischer Getriebemodelle

    Nowoisky, Sebastian / Technische Universität Berlin / Technische Universität Berlin, Universitätsbibliothek | TIBKAT | 2016


    Modellvereinfachung nichtlinearer Systeme

    Mueller,P.C. / Univ.Wuppertal,DE | Kraftfahrwesen | 1992