Computational Intelligence
Eine Einführung in Probleme, Methoden und technische Anwendungen
1st Edition
Published on 7. March 2014
XVIII, 428 pages
978-3-486-73742-4 (ISBN)
Description
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://www.uni-kassel.de/go/ci-buch 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
New editions
E-Book
01/2016
2nd Edition
De Gruyter Oldenbourg
€39.95
Available for download
Additional editions
Andreas Kroll
Computational Intelligence
Eine Einführung in Probleme, Methoden und technische Anwendungen
Book
04/2013
1st Edition
De Gruyter Oldenbourg
€39.80
Article exhausted; check for reprint
Content
1 - Teil I: Einführung [Seite 19]
2 - 1 Einführung [Seite 21]
2.1 - 1.1 Neue Herausforderungen an technische Systeme [Seite 21]
2.2 - 1.2 Komplexe, komplizierte und chaotische Systeme [Seite 22]
2.3 - 1.3 Grenzen traditioneller Berechnungsmethoden [Seite 22]
2.4 - 1.4 Naturinspirierte Berechnungsmethoden [Seite 23]
2.4.1 - 1.4.1 Bionik [Seite 23]
2.4.2 - 1.4.2 Künstliche Intelligenz [Seite 26]
2.4.3 - 1.4.3 Natural Computing [Seite 28]
2.4.4 - 1.4.4 Soft Computing [Seite 29]
2.4.5 - 1.4.5 Computational Intelligence [Seite 29]
2.5 - 1.5 Abschließende Bemerkungen [Seite 33]
3 - 2 Problemstellungen und Lösungsansätze [Seite 35]
3.1 - 2.1 Einführende Beispiele [Seite 35]
3.2 - 2.2 Mustererkennung und Klassifikation [Seite 39]
3.2.1 - 2.2.1 Einführung in die Problemstellung [Seite 39]
3.2.2 - 2.2.2 Entwurfs- und Auslegungskonzepte [Seite 43]
3.2.3 - 2.2.3 Kriterien zur Ergebnisbewertung [Seite 51]
3.2.4 - 2.2.4 Praktische Beispiele [Seite 52]
3.2.5 - 2.2.5 Weiterführende Literatur [Seite 54]
3.2.6 - 2.2.6 Zusammenfassende Bewertung [Seite 54]
3.3 - 2.3 Modellbildung [Seite 56]
3.3.1 - 2.3.1 Einführung in die Problemstellung [Seite 56]
3.3.2 - 2.3.2 Entwurfs- und Auslegungskonzepte [Seite 60]
3.3.3 - 2.3.3 Kriterien zur Ergebnisbewertung [Seite 65]
3.3.4 - 2.3.4 Praktische Beispiele [Seite 72]
3.3.5 - 2.3.5 Weiterführende Literatur [Seite 75]
3.3.6 - 2.3.6 Zusammenfassende Bewertung [Seite 76]
3.4 - 2.4 Regelung [Seite 78]
3.4.1 - 2.4.1 Einführung in die Problemstellung [Seite 78]
3.4.2 - 2.4.2 Entwurfs- und Auslegungskonzepte [Seite 81]
3.4.3 - 2.4.3 Kriterien zur Ergebnisbewertung [Seite 93]
3.4.4 - 2.4.4 Praktische Beispiele [Seite 96]
3.4.5 - 2.4.5 Weiterführende Literatur [Seite 100]
3.4.6 - 2.4.6 Zusammenfassende Bewertung [Seite 100]
3.5 - 2.5 Optimierung und Suche [Seite 102]
3.5.1 - 2.5.1 Einführung in die Problemstellung [Seite 102]
3.5.2 - 2.5.2 Entwurfs- und Auslegungskonzepte [Seite 108]
3.5.3 - 2.5.3 Kriterien zur Ergebnisbewertung [Seite 111]
3.5.4 - 2.5.4 Praktische Beispiele [Seite 113]
3.5.5 - 2.5.5 Weiterführende Literatur [Seite 116]
3.5.6 - 2.5.6 Zusammenfassende Bewertung [Seite 117]
3.6 - 2.6 Beispiele und Benchmarks [Seite 119]
4 - Teil II: Fuzzy-Systeme [Seite 121]
5 - 3 Einleitung [Seite 123]
6 - 4 Allgemeine Prinzipien [Seite 125]
6.1 - 4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen [Seite 125]
6.2 - 4.2 Mamdani-Fuzzy-Systeme [Seite 129]
6.3 - 4.3 Relationale Fuzzy-Systeme [Seite 134]
6.4 - 4.4 Takagi-Sugeno-Systeme [Seite 137]
6.5 - 4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen [Seite 139]
6.6 - 4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen [Seite 142]
6.7 - 4.7 Kurze Historie [Seite 142]
7 - 5 Clusterverfahren [Seite 145]
7.1 - 5.1 Grundlegende Prinzipien [Seite 145]
7.1.1 - 5.1.1 Abstand und Metrik [Seite 145]
7.1.2 - 5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation [Seite 148]
7.2 - 5.2 Umsetzung [Seite 149]
7.2.1 - 5.2.1 Ablauf eines Clusterverfahrens [Seite 151]
7.2.2 - 5.2.2 c-Means-Algorithmus [Seite 151]
7.2.3 - 5.2.3 Fuzzy-c-Means-Algorithmus [Seite 152]
7.2.4 - 5.2.4 Gustafson-Kessel-Algorithmus [Seite 158]
7.2.5 - 5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren [Seite 162]
7.2.6 - 5.2.6 Wahl des Unschärfeparameters [Seite 164]
7.2.7 - 5.2.7 Verfahrenserweiterungen [Seite 165]
7.2.8 - 6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren [Seite 168]
7.2.9 - 6.2.2 Identifikation linearer dynamischer Eingrößenmodelle [Seite 172]
7.2.10 - 6.2.3 Ablauf einer Identifikation [Seite 178]
7.3 - 6.3 Fuzzy-Modelle [Seite 180]
7.3.1 - 6.3.1 Statische Fuzzy-Modelle [Seite 180]
7.3.2 - 6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle [Seite 188]
7.3.3 - 6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle [Seite 189]
8 - 7 Regelung [Seite 195]
8.1 - 7.1 Einführung [Seite 195]
8.2 - 7.2 Mamdani-Fuzzy-Regler [Seite 196]
8.2.1 - 7.2.1 Fuzzy-P-Regler [Seite 196]
8.2.2 - 7.2.2 Fuzzy-PI/PD-Regler [Seite 199]
8.2.3 - 7.2.3 Anmerkungen [Seite 201]
8.3 - 7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler [Seite 202]
8.4 - 7.4 Relationaler Fuzzy-Reglerentwurf [Seite 203]
8.4.1 - 7.4.1 Reglerentwurf durch Modellinversion [Seite 203]
8.4.2 - 7.4.2 Fuzzy-Vorsteuerung [Seite 205]
8.5 - 7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler [Seite 207]
8.5.1 - 7.5.1 Lineare Zustandsmodelle [Seite 208]
8.5.2 - 7.5.2 Affine Zustandsmodelle [Seite 210]
8.6 - 7.6 Realisierungsaspekte [Seite 213]
9 - 8 Anwendungsbeispiele [Seite 215]
9.1 - 8.1 Clusterung mittels Fuzzy-c-Means [Seite 215]
9.1.1 - 8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen [Seite 215]
9.1.2 - 8.1.2 Klinische instrumentelle Ganganalyse [Seite 216]
9.2 - 8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem) [Seite 217]
9.3 - 8.3 Fuzzy-Modellbildung [Seite 218]
9.3.1 - 8.3.1 Kennfläche eines Axialkompressors [Seite 218]
9.3.2 - 8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage [Seite 220]
9.4 - 8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems [Seite 221]
10 - 6 Datengetriebene Modellbildung [Seite 167]
10.1 - 6.1 Einführung [Seite 167]
10.2 - 6.2 Lineare Systemidentifikation [Seite 167]
11 - 9 Übungsaufgaben [Seite 227]
11.1 - 9.1 Clusterung einer Objektmenge [Seite 227]
11.2 - 9.2 Mamdani-Fuzzy-Regler [Seite 228]
11.3 - 9.3 Kompensation einer nichtlinearen Ventilkennlinie [Seite 229]
12 - Teil III: Künstliche Neuronale Netze [Seite 239]
13 - 10 Einleitung [Seite 241]
14 - 11 Allgemeine Prinzipien [Seite 243]
14.1 - 11.1 Netzstrukturen und -topologien [Seite 243]
14.1.1 - 11.1.1 Schichten [Seite 243]
14.1.2 - 11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze [Seite 244]
14.2 - 11.2 Lernkonzepte [Seite 245]
14.3 - 11.3 Universelle Approximation und Netzstruktur [Seite 246]
14.4 - 11.4 Effizienz und Lösungsqualität von Suchverfahren [Seite 247]
14.5 - 11.5 Kurze Historie [Seite 248]
15 - 12 Multi-Layer-Perceptron-(MLP-)Netze [Seite 251]
15.1 - 12.1 Aufbau und Funktionsprinzip eines Neurons [Seite 251]
15.2 - 12.2 Netzaufbau und Übertragungsverhalten [Seite 252]
15.3 - 12.3 Training/Lernverfahren [Seite 256]
15.3.1 - 12.3.1 Delta-Regel [Seite 256]
15.3.2 - 12.3.2 Backpropagation-Algorithmus [Seite 258]
15.4 - 12.4 Probleme beim Einsatz des Backpropagation-Verfahrens [Seite 265]
15.5 - 12.5 Erweiterungen des Backpropagation-Verfahrens [Seite 266]
15.6 - 12.6 Mustererkennung mit MLP-Netzen [Seite 268]
15.6.1 - 12.6.1 Trennflächenform und Ebenenanzahl [Seite 268]
15.6.2 - 12.6.2 Training des Klassifikators [Seite 271]
15.7 - 12.7 Modellbildung mit MLP-Netzen [Seite 277]
15.8 - 12.8 Modellbasierte prädiktive Regelung mit MLP-Netzen [Seite 278]
15.9 - 9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess [Seite 231]
15.10 - 9.5 Fuzzy-Kennlinienregler [Seite 234]
16 - 13 Radiale-Basisfunktionen-Netze [Seite 279]
16.1 - 13.1 Netzaufbau [Seite 279]
16.2 - 13.2 Basisfunktionen [Seite 280]
17 - 13.3 Übertragungsverhalten [Seite 281]
17.1 - 13.4 Lernverfahren [Seite 283]
17.1.1 - 13.4.1 Festlegung von Basen und Formparametern [Seite 283]
17.1.2 - 13.4.2 Ermittlung der Gewichte [Seite 285]
17.1.3 - 13.4.3 Parameteroptimierung [Seite 285]
17.2 - 13.5 Methodische Erweiterungen [Seite 287]
17.3 - 14.2 Lernverfahren [Seite 291]
18 - 15 Anwendungsbeispiele [Seite 297]
18.1 - 15.1 Kennfläche eines Axialkompressors (MLP) [Seite 297]
18.2 - 15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP) [Seite 299]
18.3 - 15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP) [Seite 300]
18.4 - 15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP) [Seite 301]
18.5 - 15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP) [Seite 302]
18.6 - 15.6 Qualitätskenngrößenvorhersage bei Polymerisationsprozess mittels MLP-Netz [Seite 303]
18.7 - 15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM) [Seite 305]
18.8 - 15.8 Routenplanung/TSP (SOM) [Seite 306]
19 - 16 Übungsaufgaben [Seite 309]
19.1 - 16.1 Ex-Or-Funktionsapproximation mittels MLP-Netz [Seite 309]
19.2 - 16.2 Klassifikation mittels MLP-Netzen (1) [Seite 310]
19.3 - 16.3 Klassifikation mittels MLP-Netzen (2) [Seite 311]
19.4 - 16.4 Funktionsapproximation mittels RBF-Netz [Seite 312]
19.5 - 16.5 Training einer Kohonenkarte [Seite 313]
20 - Teil IV: Evolutionäre Algorithmen [Seite 315]
21 - 17 Allgemeine Prinzipien [Seite 317]
21.1 - 17.1 Einführung [Seite 317]
21.2 - 17.2 Grundidee und -schema Evolutionärer Algorithmen [Seite 318]
21.3 - 17.3 Kurze Historie [Seite 321]
22 - 14 Selbstorganisierende Karten [Seite 289]
22.1 - 14.1 Netzaufbau und Funktionsprinzip [Seite 289]
23 - 18 Genetische Algorithmen [Seite 323]
23.1 - 18.1 Einführung [Seite 323]
23.2 - 18.2 Problemkodierung [Seite 324]
23.3 - 18.3 Algorithmusablauf [Seite 327]
23.4 - 18.4 Selektion der Elternteile [Seite 328]
23.4.1 - 18.4.1 Fitnessproportionale Selektion [Seite 328]
23.4.2 - 18.4.2 Rangbasierte Selektion [Seite 331]
23.4.3 - 18.4.3 Tournierbasierte Selektion [Seite 332]
23.4.4 - 18.5.4 Permutationsprobleme [Seite 335]
23.5 - 18.6 Mutation [Seite 336]
23.5.1 - 18.6.1 Binär kodierte kontinuierliche Probleme [Seite 336]
23.5.2 - 18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme [Seite 337]
23.5.3 - 18.6.3 Permutationsprobleme [Seite 337]
23.6 - 18.7 Selektion der Überlebenden/Populationsmodelle [Seite 338]
23.7 - 18.8 Abbruchkriterium [Seite 339]
23.8 - 18.9 Erweiterungen/Weiterführendes [Seite 339]
23.9 - 18.10 Illustrierendes Beispiel [Seite 339]
24 - 19 Evolutionsstrategien [Seite 343]
24.1 - 19.1 Einführung [Seite 343]
24.2 - 19.2 Problemkodierung [Seite 345]
24.3 - 19.3 Startpopulation [Seite 345]
24.4 - 19.4 Algorithmusablauf [Seite 346]
24.5 - 19.5 Selektion der Elternteile [Seite 346]
24.6 - 19.6 Rekombination [Seite 346]
24.7 - 19.7 Mutation [Seite 346]
24.7.1 - 19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel [Seite 347]
24.7.2 - 19.7.2 Einheitliche Mutationsschrittweitenadaption [Seite 348]
24.7.3 - 19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption [Seite 348]
24.7.4 - 19.7.4 Separate korrelierte Mutationsschrittweitenadaption [Seite 349]
24.8 - 19.8 Selektion der Überlebenden/Populationsmodelle [Seite 349]
24.9 - 19.9 Abbruchkriterium [Seite 350]
24.10 - 19.10 Erweiterungen/Weiterführendes [Seite 350]
24.11 - 19.11 Illustrierendes Beispiel [Seite 351]
25 - 20 Genetisches Programmieren [Seite 355]
25.1 - 18.5 Rekombination durch Cross-over [Seite 332]
25.1.1 - 18.5.1 Binär kodierte kontinuierliche Probleme [Seite 333]
25.1.2 - 18.5.2 Reell kodierte kontinuierliche Probleme [Seite 333]
25.1.3 - 18.5.3 Ganzzahlig oder symbolisch kodierte Probleme [Seite 334]
26 - 21 Anwendungsbeispiele [Seite 359]
26.1 - 21.1 Formoptimierung eines Rohrkrümmers (ES) [Seite 359]
26.2 - 21.2 Pfadplanung für mobile Roboter (GA) [Seite 360]
26.3 - 21.3 Modellgenerierung für biotechnologische Prozesse (GP) [Seite 361]
26.4 - 22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus [Seite 366]
27 - Teil V: Weiterführende Methoden [Seite 367]
28 - 23 Hybride CI-Systeme [Seite 369]
28.1 - 23.1 Einführung [Seite 369]
28.2 - 23.2 Neuro-Fuzzy-Systeme [Seite 371]
28.2.1 - 23.2.1 Methodik [Seite 371]
28.2.2 - 23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren [Seite 377]
28.3 - 23.3 Evolutionäre Fuzzy-Systeme [Seite 379]
28.3.1 - 23.3.1 Methodik [Seite 379]
28.3.2 - 23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel [Seite 382]
28.4 - 23.4 Evolutionäre Neuronale Netze [Seite 384]
28.4.1 - 23.4.1 Methodik [Seite 384]
28.4.2 - 23.4.2 Anwendungsbeispiel MLP-Netzoptimierung [Seite 388]
28.5 - 23.5 Evolutionäre Neuro-Fuzzy-Systeme [Seite 390]
28.6 - 23.6 Weiterführende Literatur [Seite 390]
29 - 24 Schwarmintelligenz & Künstliche Immunsysteme [Seite 393]
29.1 - 24.1 Einführung [Seite 393]
29.2 - 24.2 Schwarmintelligenz [Seite 393]
29.2.1 - 24.2.1 Partikelschwarmoptimierung [Seite 393]
29.2.2 - 24.2.2 Ameisenalgorithmen [Seite 396]
29.2.3 - 24.2.3 Weiterführende Literatur [Seite 398]
29.3 - 24.3 Künstliche Immunsysteme [Seite 398]
29.3.1 - 24.3.1 Biologisches Vorbild [Seite 398]
29.3.2 - 24.3.2 Technische Umsetzung [Seite 401]
29.3.3 - 24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen [Seite 403]
29.3.4 - 24.3.4 Weiterführende Literatur [Seite 404]
30 - 22 Übungsaufgaben [Seite 363]
30.1 - 22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus [Seite 363]
30.2 - 22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems [Seite 364]
30.3 - 22.3 Formoptimierung mittels Genetischem Algorithmus [Seite 364]
31 - Anhang [Seite 407]
32 - 25 Anhang [Seite 409]
32.1 - 25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen [Seite 409]
32.2 - 25.2 Vektoren und Matrizen [Seite 413]
32.3 - 25.3 Normalverteilung [Seite 415]
32.4 - 25.4 Graphen [Seite 416]
32.5 - 25.5 Herleitung des FCM-Algorithmus [Seite 416]
32.6 - 25.6 Berechnungsprogramme im Bereich der CI [Seite 418]
33 - Literatur [Seite 421]
34 - Verzeichnis der Anwendungsbeispiele [Seite 441]
35 - Index [Seite 443]
2 - 1 Einführung [Seite 21]
2.1 - 1.1 Neue Herausforderungen an technische Systeme [Seite 21]
2.2 - 1.2 Komplexe, komplizierte und chaotische Systeme [Seite 22]
2.3 - 1.3 Grenzen traditioneller Berechnungsmethoden [Seite 22]
2.4 - 1.4 Naturinspirierte Berechnungsmethoden [Seite 23]
2.4.1 - 1.4.1 Bionik [Seite 23]
2.4.2 - 1.4.2 Künstliche Intelligenz [Seite 26]
2.4.3 - 1.4.3 Natural Computing [Seite 28]
2.4.4 - 1.4.4 Soft Computing [Seite 29]
2.4.5 - 1.4.5 Computational Intelligence [Seite 29]
2.5 - 1.5 Abschließende Bemerkungen [Seite 33]
3 - 2 Problemstellungen und Lösungsansätze [Seite 35]
3.1 - 2.1 Einführende Beispiele [Seite 35]
3.2 - 2.2 Mustererkennung und Klassifikation [Seite 39]
3.2.1 - 2.2.1 Einführung in die Problemstellung [Seite 39]
3.2.2 - 2.2.2 Entwurfs- und Auslegungskonzepte [Seite 43]
3.2.3 - 2.2.3 Kriterien zur Ergebnisbewertung [Seite 51]
3.2.4 - 2.2.4 Praktische Beispiele [Seite 52]
3.2.5 - 2.2.5 Weiterführende Literatur [Seite 54]
3.2.6 - 2.2.6 Zusammenfassende Bewertung [Seite 54]
3.3 - 2.3 Modellbildung [Seite 56]
3.3.1 - 2.3.1 Einführung in die Problemstellung [Seite 56]
3.3.2 - 2.3.2 Entwurfs- und Auslegungskonzepte [Seite 60]
3.3.3 - 2.3.3 Kriterien zur Ergebnisbewertung [Seite 65]
3.3.4 - 2.3.4 Praktische Beispiele [Seite 72]
3.3.5 - 2.3.5 Weiterführende Literatur [Seite 75]
3.3.6 - 2.3.6 Zusammenfassende Bewertung [Seite 76]
3.4 - 2.4 Regelung [Seite 78]
3.4.1 - 2.4.1 Einführung in die Problemstellung [Seite 78]
3.4.2 - 2.4.2 Entwurfs- und Auslegungskonzepte [Seite 81]
3.4.3 - 2.4.3 Kriterien zur Ergebnisbewertung [Seite 93]
3.4.4 - 2.4.4 Praktische Beispiele [Seite 96]
3.4.5 - 2.4.5 Weiterführende Literatur [Seite 100]
3.4.6 - 2.4.6 Zusammenfassende Bewertung [Seite 100]
3.5 - 2.5 Optimierung und Suche [Seite 102]
3.5.1 - 2.5.1 Einführung in die Problemstellung [Seite 102]
3.5.2 - 2.5.2 Entwurfs- und Auslegungskonzepte [Seite 108]
3.5.3 - 2.5.3 Kriterien zur Ergebnisbewertung [Seite 111]
3.5.4 - 2.5.4 Praktische Beispiele [Seite 113]
3.5.5 - 2.5.5 Weiterführende Literatur [Seite 116]
3.5.6 - 2.5.6 Zusammenfassende Bewertung [Seite 117]
3.6 - 2.6 Beispiele und Benchmarks [Seite 119]
4 - Teil II: Fuzzy-Systeme [Seite 121]
5 - 3 Einleitung [Seite 123]
6 - 4 Allgemeine Prinzipien [Seite 125]
6.1 - 4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen [Seite 125]
6.2 - 4.2 Mamdani-Fuzzy-Systeme [Seite 129]
6.3 - 4.3 Relationale Fuzzy-Systeme [Seite 134]
6.4 - 4.4 Takagi-Sugeno-Systeme [Seite 137]
6.5 - 4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen [Seite 139]
6.6 - 4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen [Seite 142]
6.7 - 4.7 Kurze Historie [Seite 142]
7 - 5 Clusterverfahren [Seite 145]
7.1 - 5.1 Grundlegende Prinzipien [Seite 145]
7.1.1 - 5.1.1 Abstand und Metrik [Seite 145]
7.1.2 - 5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation [Seite 148]
7.2 - 5.2 Umsetzung [Seite 149]
7.2.1 - 5.2.1 Ablauf eines Clusterverfahrens [Seite 151]
7.2.2 - 5.2.2 c-Means-Algorithmus [Seite 151]
7.2.3 - 5.2.3 Fuzzy-c-Means-Algorithmus [Seite 152]
7.2.4 - 5.2.4 Gustafson-Kessel-Algorithmus [Seite 158]
7.2.5 - 5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren [Seite 162]
7.2.6 - 5.2.6 Wahl des Unschärfeparameters [Seite 164]
7.2.7 - 5.2.7 Verfahrenserweiterungen [Seite 165]
7.2.8 - 6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren [Seite 168]
7.2.9 - 6.2.2 Identifikation linearer dynamischer Eingrößenmodelle [Seite 172]
7.2.10 - 6.2.3 Ablauf einer Identifikation [Seite 178]
7.3 - 6.3 Fuzzy-Modelle [Seite 180]
7.3.1 - 6.3.1 Statische Fuzzy-Modelle [Seite 180]
7.3.2 - 6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle [Seite 188]
7.3.3 - 6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle [Seite 189]
8 - 7 Regelung [Seite 195]
8.1 - 7.1 Einführung [Seite 195]
8.2 - 7.2 Mamdani-Fuzzy-Regler [Seite 196]
8.2.1 - 7.2.1 Fuzzy-P-Regler [Seite 196]
8.2.2 - 7.2.2 Fuzzy-PI/PD-Regler [Seite 199]
8.2.3 - 7.2.3 Anmerkungen [Seite 201]
8.3 - 7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler [Seite 202]
8.4 - 7.4 Relationaler Fuzzy-Reglerentwurf [Seite 203]
8.4.1 - 7.4.1 Reglerentwurf durch Modellinversion [Seite 203]
8.4.2 - 7.4.2 Fuzzy-Vorsteuerung [Seite 205]
8.5 - 7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler [Seite 207]
8.5.1 - 7.5.1 Lineare Zustandsmodelle [Seite 208]
8.5.2 - 7.5.2 Affine Zustandsmodelle [Seite 210]
8.6 - 7.6 Realisierungsaspekte [Seite 213]
9 - 8 Anwendungsbeispiele [Seite 215]
9.1 - 8.1 Clusterung mittels Fuzzy-c-Means [Seite 215]
9.1.1 - 8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen [Seite 215]
9.1.2 - 8.1.2 Klinische instrumentelle Ganganalyse [Seite 216]
9.2 - 8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem) [Seite 217]
9.3 - 8.3 Fuzzy-Modellbildung [Seite 218]
9.3.1 - 8.3.1 Kennfläche eines Axialkompressors [Seite 218]
9.3.2 - 8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage [Seite 220]
9.4 - 8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems [Seite 221]
10 - 6 Datengetriebene Modellbildung [Seite 167]
10.1 - 6.1 Einführung [Seite 167]
10.2 - 6.2 Lineare Systemidentifikation [Seite 167]
11 - 9 Übungsaufgaben [Seite 227]
11.1 - 9.1 Clusterung einer Objektmenge [Seite 227]
11.2 - 9.2 Mamdani-Fuzzy-Regler [Seite 228]
11.3 - 9.3 Kompensation einer nichtlinearen Ventilkennlinie [Seite 229]
12 - Teil III: Künstliche Neuronale Netze [Seite 239]
13 - 10 Einleitung [Seite 241]
14 - 11 Allgemeine Prinzipien [Seite 243]
14.1 - 11.1 Netzstrukturen und -topologien [Seite 243]
14.1.1 - 11.1.1 Schichten [Seite 243]
14.1.2 - 11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze [Seite 244]
14.2 - 11.2 Lernkonzepte [Seite 245]
14.3 - 11.3 Universelle Approximation und Netzstruktur [Seite 246]
14.4 - 11.4 Effizienz und Lösungsqualität von Suchverfahren [Seite 247]
14.5 - 11.5 Kurze Historie [Seite 248]
15 - 12 Multi-Layer-Perceptron-(MLP-)Netze [Seite 251]
15.1 - 12.1 Aufbau und Funktionsprinzip eines Neurons [Seite 251]
15.2 - 12.2 Netzaufbau und Übertragungsverhalten [Seite 252]
15.3 - 12.3 Training/Lernverfahren [Seite 256]
15.3.1 - 12.3.1 Delta-Regel [Seite 256]
15.3.2 - 12.3.2 Backpropagation-Algorithmus [Seite 258]
15.4 - 12.4 Probleme beim Einsatz des Backpropagation-Verfahrens [Seite 265]
15.5 - 12.5 Erweiterungen des Backpropagation-Verfahrens [Seite 266]
15.6 - 12.6 Mustererkennung mit MLP-Netzen [Seite 268]
15.6.1 - 12.6.1 Trennflächenform und Ebenenanzahl [Seite 268]
15.6.2 - 12.6.2 Training des Klassifikators [Seite 271]
15.7 - 12.7 Modellbildung mit MLP-Netzen [Seite 277]
15.8 - 12.8 Modellbasierte prädiktive Regelung mit MLP-Netzen [Seite 278]
15.9 - 9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess [Seite 231]
15.10 - 9.5 Fuzzy-Kennlinienregler [Seite 234]
16 - 13 Radiale-Basisfunktionen-Netze [Seite 279]
16.1 - 13.1 Netzaufbau [Seite 279]
16.2 - 13.2 Basisfunktionen [Seite 280]
17 - 13.3 Übertragungsverhalten [Seite 281]
17.1 - 13.4 Lernverfahren [Seite 283]
17.1.1 - 13.4.1 Festlegung von Basen und Formparametern [Seite 283]
17.1.2 - 13.4.2 Ermittlung der Gewichte [Seite 285]
17.1.3 - 13.4.3 Parameteroptimierung [Seite 285]
17.2 - 13.5 Methodische Erweiterungen [Seite 287]
17.3 - 14.2 Lernverfahren [Seite 291]
18 - 15 Anwendungsbeispiele [Seite 297]
18.1 - 15.1 Kennfläche eines Axialkompressors (MLP) [Seite 297]
18.2 - 15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP) [Seite 299]
18.3 - 15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP) [Seite 300]
18.4 - 15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP) [Seite 301]
18.5 - 15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP) [Seite 302]
18.6 - 15.6 Qualitätskenngrößenvorhersage bei Polymerisationsprozess mittels MLP-Netz [Seite 303]
18.7 - 15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM) [Seite 305]
18.8 - 15.8 Routenplanung/TSP (SOM) [Seite 306]
19 - 16 Übungsaufgaben [Seite 309]
19.1 - 16.1 Ex-Or-Funktionsapproximation mittels MLP-Netz [Seite 309]
19.2 - 16.2 Klassifikation mittels MLP-Netzen (1) [Seite 310]
19.3 - 16.3 Klassifikation mittels MLP-Netzen (2) [Seite 311]
19.4 - 16.4 Funktionsapproximation mittels RBF-Netz [Seite 312]
19.5 - 16.5 Training einer Kohonenkarte [Seite 313]
20 - Teil IV: Evolutionäre Algorithmen [Seite 315]
21 - 17 Allgemeine Prinzipien [Seite 317]
21.1 - 17.1 Einführung [Seite 317]
21.2 - 17.2 Grundidee und -schema Evolutionärer Algorithmen [Seite 318]
21.3 - 17.3 Kurze Historie [Seite 321]
22 - 14 Selbstorganisierende Karten [Seite 289]
22.1 - 14.1 Netzaufbau und Funktionsprinzip [Seite 289]
23 - 18 Genetische Algorithmen [Seite 323]
23.1 - 18.1 Einführung [Seite 323]
23.2 - 18.2 Problemkodierung [Seite 324]
23.3 - 18.3 Algorithmusablauf [Seite 327]
23.4 - 18.4 Selektion der Elternteile [Seite 328]
23.4.1 - 18.4.1 Fitnessproportionale Selektion [Seite 328]
23.4.2 - 18.4.2 Rangbasierte Selektion [Seite 331]
23.4.3 - 18.4.3 Tournierbasierte Selektion [Seite 332]
23.4.4 - 18.5.4 Permutationsprobleme [Seite 335]
23.5 - 18.6 Mutation [Seite 336]
23.5.1 - 18.6.1 Binär kodierte kontinuierliche Probleme [Seite 336]
23.5.2 - 18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme [Seite 337]
23.5.3 - 18.6.3 Permutationsprobleme [Seite 337]
23.6 - 18.7 Selektion der Überlebenden/Populationsmodelle [Seite 338]
23.7 - 18.8 Abbruchkriterium [Seite 339]
23.8 - 18.9 Erweiterungen/Weiterführendes [Seite 339]
23.9 - 18.10 Illustrierendes Beispiel [Seite 339]
24 - 19 Evolutionsstrategien [Seite 343]
24.1 - 19.1 Einführung [Seite 343]
24.2 - 19.2 Problemkodierung [Seite 345]
24.3 - 19.3 Startpopulation [Seite 345]
24.4 - 19.4 Algorithmusablauf [Seite 346]
24.5 - 19.5 Selektion der Elternteile [Seite 346]
24.6 - 19.6 Rekombination [Seite 346]
24.7 - 19.7 Mutation [Seite 346]
24.7.1 - 19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel [Seite 347]
24.7.2 - 19.7.2 Einheitliche Mutationsschrittweitenadaption [Seite 348]
24.7.3 - 19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption [Seite 348]
24.7.4 - 19.7.4 Separate korrelierte Mutationsschrittweitenadaption [Seite 349]
24.8 - 19.8 Selektion der Überlebenden/Populationsmodelle [Seite 349]
24.9 - 19.9 Abbruchkriterium [Seite 350]
24.10 - 19.10 Erweiterungen/Weiterführendes [Seite 350]
24.11 - 19.11 Illustrierendes Beispiel [Seite 351]
25 - 20 Genetisches Programmieren [Seite 355]
25.1 - 18.5 Rekombination durch Cross-over [Seite 332]
25.1.1 - 18.5.1 Binär kodierte kontinuierliche Probleme [Seite 333]
25.1.2 - 18.5.2 Reell kodierte kontinuierliche Probleme [Seite 333]
25.1.3 - 18.5.3 Ganzzahlig oder symbolisch kodierte Probleme [Seite 334]
26 - 21 Anwendungsbeispiele [Seite 359]
26.1 - 21.1 Formoptimierung eines Rohrkrümmers (ES) [Seite 359]
26.2 - 21.2 Pfadplanung für mobile Roboter (GA) [Seite 360]
26.3 - 21.3 Modellgenerierung für biotechnologische Prozesse (GP) [Seite 361]
26.4 - 22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus [Seite 366]
27 - Teil V: Weiterführende Methoden [Seite 367]
28 - 23 Hybride CI-Systeme [Seite 369]
28.1 - 23.1 Einführung [Seite 369]
28.2 - 23.2 Neuro-Fuzzy-Systeme [Seite 371]
28.2.1 - 23.2.1 Methodik [Seite 371]
28.2.2 - 23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren [Seite 377]
28.3 - 23.3 Evolutionäre Fuzzy-Systeme [Seite 379]
28.3.1 - 23.3.1 Methodik [Seite 379]
28.3.2 - 23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel [Seite 382]
28.4 - 23.4 Evolutionäre Neuronale Netze [Seite 384]
28.4.1 - 23.4.1 Methodik [Seite 384]
28.4.2 - 23.4.2 Anwendungsbeispiel MLP-Netzoptimierung [Seite 388]
28.5 - 23.5 Evolutionäre Neuro-Fuzzy-Systeme [Seite 390]
28.6 - 23.6 Weiterführende Literatur [Seite 390]
29 - 24 Schwarmintelligenz & Künstliche Immunsysteme [Seite 393]
29.1 - 24.1 Einführung [Seite 393]
29.2 - 24.2 Schwarmintelligenz [Seite 393]
29.2.1 - 24.2.1 Partikelschwarmoptimierung [Seite 393]
29.2.2 - 24.2.2 Ameisenalgorithmen [Seite 396]
29.2.3 - 24.2.3 Weiterführende Literatur [Seite 398]
29.3 - 24.3 Künstliche Immunsysteme [Seite 398]
29.3.1 - 24.3.1 Biologisches Vorbild [Seite 398]
29.3.2 - 24.3.2 Technische Umsetzung [Seite 401]
29.3.3 - 24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen [Seite 403]
29.3.4 - 24.3.4 Weiterführende Literatur [Seite 404]
30 - 22 Übungsaufgaben [Seite 363]
30.1 - 22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus [Seite 363]
30.2 - 22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems [Seite 364]
30.3 - 22.3 Formoptimierung mittels Genetischem Algorithmus [Seite 364]
31 - Anhang [Seite 407]
32 - 25 Anhang [Seite 409]
32.1 - 25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen [Seite 409]
32.2 - 25.2 Vektoren und Matrizen [Seite 413]
32.3 - 25.3 Normalverteilung [Seite 415]
32.4 - 25.4 Graphen [Seite 416]
32.5 - 25.5 Herleitung des FCM-Algorithmus [Seite 416]
32.6 - 25.6 Berechnungsprogramme im Bereich der CI [Seite 418]
33 - Literatur [Seite 421]
34 - Verzeichnis der Anwendungsbeispiele [Seite 441]
35 - Index [Seite 443]
