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.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Hierarchische neuronale Modelle für die Identifikation nichtlinearer Systeme


    Contributors:
    Töpfer, S. (author)


    Publication date :

    2002


    Size :

    184 Seiten, 101 Bilder, 18 Tabellen, 107 Quellen




    Type of media :

    Theses


    Type of material :

    Print


    Language :

    German




    Bemerkungen zur Identifikation nichtlinearer dynamischer Systeme

    Klett, Eberhard / Technische Universität Dresden | TIBKAT | 1980


    Verfahren zur Identifikation nichtlinearer dynamischer Getriebemodelle

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



    Harmonisch aktivierte Neuronale Netze zur Identifikation von Drehzahlschwankungen

    Froschhammer,F. / Schroeder,D. | Automotive engineering | 2001