
Computational Intelligence
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
Beschreibung, Analyse und Entwurf technischer Systeme werden zunehmend komplexer und erfordern neuartige Lösungsansätze. Durch die Natur inspiriert entstanden verschiedene Berechnungsverfahren, die im Wissenschaftsgebiet der Computational Intelligence (CI) zusammengefasst sind. Hierzu zählen die etablierten Kernbereiche der Fuzzy-Systeme, Künstliche Neuronale Netze und Evolutionäre Algorithmen sowie aus diesen zusammengeführte Hybride Methoden. Hinzu kommen die noch jungen Gebiete der Schwarmintelligenz und der künstlichen Immunsysteme. So bewegt sich die CI an der Schnittstelle zwischen Ingenieurswissenschaften und Informatik. Dieses Buch bietet eine gut verständliche, vereinheitlichende und anwendungsorientierte Einführung in das Thema und vermittelt Studenten und berufstätigen Ingenieuren das notwendige Fachwissen. Neben den methodischen Erläuterungen sind einfach nachvollziehbare Beispiele integriert, die die Funktion der Methoden veranschaulichen. Darüber hinaus wurden Praxisbeispiele zur Illustration der praktischen Relevanz aufgenommen. Die Musterlösungen für Dozenten können auf der geschützten Webseite http://141.51.54.2/MRT/Bibliothek/Compagnon/ heruntergeladen werden.
Reviews / Votes
Eine der großen Stärken dieses Buches ist der Praxisbezug, der dem Verständnis der Lehrinhalte eine unverzichtbare Brücke baut.Axel Schneider, HTWK LeipzigMore details
Other editions
Additional editions


Previous edition

Person
Content
- Intro
- 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 MatlabTM "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
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.