Computational Intelligence · Probleme, Methoden und technische Anwendungen · 2. Auflage by Kroll, Andreas -- Read -- Imperial Library of Trantor

Index

Cover Titelseite Impressum Begleitwort zur 1. Auflage Vorwort zur 2. Auflage Vorwort zur 1. Auflage Inhaltsverzeichnis Teil I: Einführung

1 Einleitung

1.1 Neue Herausforderungen an technische Systeme 1.2 Komplexe, komplizierte und chaotische Systeme 1.3 Grenzen traditioneller Berechnungsmethoden 1.4 Naturinspirierte Berechnungsmethoden

1.4.1 Bionik 1.4.2 Künstliche Intelligenz 1.4.3 Natural Computing 1.4.4 Soft Computing 1.4.5 Computational Intelligence

1.5 Abschließende Bemerkungen

2 Problemstellungen und Lösungsansätze

2.1 Einführende Beispiele 2.2 Mustererkennung und Klassifikation

2.2.1 Einführung in die Problemstellung 2.2.2 Entwurfs- und Auslegungskonzepte. 2.2.3 Kriterien zur Ergebnisbewertung 2.2.4 Praktische Beispiele 2.2.5 Weiterführende Literatur 2.2.6 Zusammenfassende Bewertung

2.3 Modellbildung

2.3.1 Einführung in die Problemstellung 2.3.2 Entwurfs- und Auslegungskonzepte. 2.3.3 Kriterien zur Ergebnisbewertung 2.3.4 Praktische Beispiele 2.3.5 Weiterführende Literatur 2.3.6 Zusammenfassende Bewertung

2.4 Regelung

2.4.1 Einführung in die Problemstellung 2.4.2 Entwurfs- und Auslegungskonzepte. 2.4.3 Kriterien zur Ergebnisbewertung 2.4.4 Praktische Beispiele 2.4.5 Weiterführende Literatur 2.4.6 Zusammenfassende Bewertung

2.5 Optimierung und Suche

2.5.1 Einführung in die Problemstellung 2.5.2 Entwurfs- und Auslegungskonzepte 2.5.3 Kriterien zur Ergebnisbewertung 2.5.4 Praktische Beispiele 2.5.5 Weiterführende Literatur 2.5.6 Zusammenfassende Bewertung

2.6 Beispiele und Benchmarks

Teil II: Fuzzy-Systeme

3 Einleitung 4 Allgemeine Prinzipien

4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen 4.2 Mamdani-Fuzzy-Systeme 4.3 Relationale Fuzzy-Systeme 4.4 Takagi-Sugeno-Systeme 4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen 4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen 4.7 Kurze Historie

5 Clusterverfahren

5.1 Grundlegende Prinzipien

5.1.1 Abstand und Metrik 5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation

5.2 Umsetzung

5.2.1 Ablauf eines Clusterverfahrens 5.2.2 c-Means-Algorithmus 5.2.3 Fuzzy-c-Means-Algorithmus 5.2.4 Gustafson-Kessel-Algorithmus 5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren 5.2.6 Wahl des Unschärfeparameters 5.2.7 Verfahrenserweiterungen

6 Datengetriebene Modellbildung

6.1 Einführung 6.2 Lineare Systemidentifikation

6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren 6.2.2 Identifikation linearer dynamischer Eingrößenmodelle 6.2.3 Ablauf einer Identifikation

6.3 Fuzzy-Modelle

6.3.1 Statische Fuzzy-Modelle 6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle 6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle

7 Regelung

7.1 Einführung 7.2 Mamdani-Fuzzy-Regler

7.2.1 Fuzzy-P-Regler 7.2.2 Fuzzy-PI/PD-Regler 7.2.3 Anmerkungen

7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler 7.4 Relationaler Fuzzy-Reglerentwurf

7.4.1 Reglerentwurf durch Modellinversion 7.4.2 Fuzzy-Vorsteuerung

7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler

7.5.1 Lineare Zustandsmodelle 7.5.2 Affine Zustandsmodelle

7.6 Realisierungsaspekte

8 Anwendungsbeispiele

8.1 Clusterung mittels Fuzzy-c-Means

8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen 8.1.2 Klinische instrumentelle Ganganalyse

8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem) 8.3 Fuzzy-Modellbildung

8.3.1 Kennfläche eines Axialkompressors 8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage

8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems

9 Übungsaufgaben

9.1 Clusterung einer Objektmenge 9.2 Mamdani-Fuzzy-Regler 9.3 Kompensation einer nichtlinearen Ventilkennlinie 9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess 9.5 Fuzzy-Kennlinienregler 9.6 Funktionsapproximation mittels Takagi-Sugeno-Fuzzy-System

Teil III: Künstliche Neuronale Netze

10 Einleitung 11 Allgemeine Prinzipien

11.1 Netzstrukturen und -topologien

11.1.1 Schichten 11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze

11.2 Lernkonzepte 11.3 Universelle Approximation und Netzstruktur 11.4 Effizienz und Lösungsqualität von Suchverfahren 11.5 Kurze Historie

12 Multi-Layer-Perceptron-(MLP-)Netze

12.1 Aufbau und Funktionsprinzip eines Neurons 12.2 Netzaufbau und Übertragungsverhalten 12.3 Lernverfahren

12.3.1 Delta-Regel 12.3.2 Backpropagation-Algorithmus

12.4 Probleme beim Einsatz des Backpropagation-Verfahrens 12.5 Erweiterungen des Backpropagation-Verfahrens 12.6 Mustererkennung mit MLP-Netzen

12.6.1 Trennflächenform und Ebenenanzahl 12.6.2 Training des Klassifikators

12.7 Modellbildung mit MLP-Netzen 12.8 Modellprädiktive Regelung mit MLP-Netzen

13 Radiale-Basisfunktionen-Netze

13.1 Netzaufbau 13.2 Basisfunktionen 13.3 Übertragungsverhalten 13.4 Lernverfahren

13.4.1 Festlegung von Basen und Formparametern. 13.4.2 Ermittlung der Gewichte 13.4.3 Parameteroptimierung

13.5 Methodische Erweiterungen

14 Selbstorganisierende (Kohonen-)Karten

14.1 Netzaufbau und Funktionsprinzip 14.2 Lernverfahren

15 Anwendungsbeispiele

15.1 Kennfläche eines Axialkompressors (MLP) 15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP) 15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP) 15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP) 15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP) 15.6 Qualitätskenngrößenvorhersage bei Polymerisation (MLP) 15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM) 15.8 Routenplanung/TSP (SOM)

16 Übungsaufgaben

16.1 XOR-Funktionsapproximation mittels MLP-Netz 16.2 Klassifikation mittels MLP-Netzen (1) 16.3 Klassifikation mittels MLP-Netzen (2) 16.4 Klassifikation mittels RBF-Netz 16.5 Funktionsapproximation mittels RBF-Netz 16.6 Training einer Kohonenkarte 16.7 Clusterung und Klassifikation mittels Kohonenkarte

Teil IV: Evolutionäre Algorithmen

17 Allgemeine Prinzipien

17.1 Einführung 17.2 Grundidee und -schema Evolutionärer Algorithmen 17.3 Kurze Historie

18 Genetische Algorithmen

18.1 Einführung 18.2 Problemkodierung 18.3 Algorithmusablauf 18.4 Selektion der Elternteile

18.4.1 Fitnessproportionale Selektion 18.4.2 Rangbasierte Selektion 18.4.3 Tournierbasierte Selektion

18.5 Rekombination durch Cross-over

18.5.1 Binär kodierte kontinuierliche Probleme 18.5.2 Reell kodierte kontinuierliche Probleme 18.5.3 Ganzzahlig oder symbolisch kodierte Probleme 18.5.4 Permutationsprobleme

18.6 Mutation

18.6.1 Binär kodierte kontinuierliche Probleme 18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme 18.6.3 Permutationsprobleme

18.7 Selektion der Überlebenden/Populationsmodelle 18.8 Abbruchkriterium 18.9 Erweiterungen/Weiterführendes 18.10 Illustrierendes Beispiel

19 Evolutionsstrategien

19.1 Einführung 19.2 Problemkodierung 19.3 Startpopulation 19.4 Algorithmusablauf 19.5 Selektion der Elternteile 19.6 Rekombination 19.7 Mutation

19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel 19.7.2 Einheitliche Mutationsschrittweitenadaption 19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption 19.7.4 Separate korrelierte Mutationsschrittweitenadaption.

19.8 Selektion der Überlebenden/Populationsmodelle 19.9 Abbruchkriterium 19.10 Erweiterungen/Weiterführendes 19.11 Illustrierendes Beispiel

20 Genetisches Programmieren 21 Anwendungsbeispiele

21.1 Formoptimierung eines Rohrkrümmers (ES) 21.2 Pfadplanung für mobile Roboter (GA) 21.3 Modellgenerierung für biotechnologische Prozesse (GP) 21.4 Minimumsuche bei Testfunktionen mittels Matlab TM „Optimization Tool” (GA)

22 Übungsaufgaben

22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus 22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems 22.3 Formoptimierung mittels Genetischem Algorithmus 22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus 22.5 Optimales Rucksackpacken mittels Genetischem Algorithmus

Teil V: Weiterführende Methoden

23 Hybride CI-Systeme

23.1 Einführung 23.2 Neuro-Fuzzy-Systeme

23.2.1 Methodik 23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren

23.3 Evolutionäre Fuzzy-Systeme

23.3.1 Methodik 23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel

23.4 Evolutionäre Neuronale Netze

23.4.1 Methodik 23.4.2 Anwendungsbeispiel MLP-Netzoptimierung

23.5 Evolutionäre Neuro-Fuzzy-Systeme 23.6 Weiterführende Literatur

24 Schwarmintelligenz und Künstliche Immunsysteme

24.1 Einführung 24.2 Schwarmintelligenz

24.2.1 Partikelschwarmoptimierung 24.2.2 Ameisenalgorithmen 24.2.3 Weiterführende Literatur

24.3 Künstliche Immunsysteme

24.3.1 Biologisches Vorbild 24.3.2 Technische Umsetzung 24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen 24.3.4 Weiterführende Literatur

Teil VI: Anhang

25 Anhang

25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen 25.2 Vektor- und Matrizenrechnung 25.3 Normalverteilung 25.4 Graphen 25.5 Herleitung des FCM-Algorithmus 25.6 Berechnungsprogramme im Bereich der CI

Literatur Verzeichnis der Anwendungsbeispiele Index Fußnoten

← Prev
Back
Next →

← Prev
Back
Next →