Neuronale Netze für Ingenieure: Arbeits- und Übungsbuch für regelungstechnische Anwendungen

Cover
Springer-Verlag, 02.07.2013 - 184 Seiten
Immer mehr Probleme der Industrie, Wirtschaft und des täg lichen Lebens können mit Hilfe von künstlichen neuronalen Netzen gelöst werden. Sie stellen deshalb nicht länger eine Domäne der Informatikspezialisten dar. Jedoch gibt es zwischen diesem Gebiet und den Fächern der Ingenieurstudienrichtungen eine Diskrepanz. Unser Bestreben ist es, die neuronalen Netze durch die Be griffe der Regelungstechnik, ein Pflichtfach für Studenten der Elektrotechnik, Maschinenbau, Verfahrenstechnik, einheitlich und strukturiert zu beschreiben und dabei mit möglichst ge ringen mathematischen Voraussetzungen auszukommen. Das Buch wendet sich an Studenten der praktisch orientier ten Studiengänge an Fachhochschulen sowie an die in der Praxis tätigen Ingenieure. Im Vordergrund stehen keine komfortablen Neuro-Tools wie DataEngine oder Neuromodel, aber auch keine detaillierten Analogien zum menschlichen Gehirn. Es werden sowohl Grundlagen als auch die Vielzahl der Netztypen mit ihren spezifischen Eigenschaften behandelt und an Hand der zahl reichen Beispiele anschaulich erklärt. Mit den vorliegenden Algorithmen kann man selbst Programme schreiben, expe rimentieren und schrittweise alle Variablen und Netzteile Stück für Stück verfolgen. Diese Kenntnisse sollen später einen Zugang zu einem komplexen Anwendungsprogramm erleichtern. Das Buch gliedert sich in sechs Abschnitte. Im 1. Abschnitt wird der funktionale Aufbau und die Funktionsweise eines einfachen künstlichen Neurons beschrieben. Für einen leichteren Zugang zu den einzelnen Netzen befaßt sich der 2. Abschnitt mit der Einteilung von neuronalen Netzen nach technischen Kriterien. Auf einen kurzen historischen Rück blick konnten wir in diesem Abschnitt nicht verzichten, um Vorwort VI damit eine Übersichtüber die fast dramatische Entwicklung dieses Gebietes zu vermitteln.
 

Inhalt

Inhaltsverzeichnis
1
Mit zunehmendem Schwierigkeitsgrad sind im 3 Abschnitt
4
Einteilung von künstlichen Neuronalen Netzen
19
nen der neuronalen Netze die für die Anwendung der Netz
40
Grundtypen von künstlichen Neuronalen Netzen
45
Inhaltlich entspricht das Buch einer einsemestrigen Einfüh
72
Regelungstechnische Anwendungen von KNN
107
Übungsaufgaben mit Lösungen
145
Literaturverzeichnis
171
Februar 1998 Serge Zakharian
175
Urheberrecht

Häufige Begriffe und Wortgruppen

2.1 Signalübertragung vorwärts 2.1 Statische Kennlinie 2.2 Lernverfahren Abschnitt 2.2 Adaline Adaptive Aktivierungsfunktion Aktivierungswert Algorithmus Antineuronen Ausgangsneuronen b₁ b₂ Backpropagation Beispiel berechnen berechnet Bild Boltzmann-Maschine Cluster Comparator-Netz Delta-Regel E-Netz Eingangsmuster Eingangsneuronen Eingangsvektor Eingangswerte eingeben Einzelschicht Perzeptron Energie Erkennung Fehler Fehlermaß Funktion Funktionsweise Gegeben sind folgende Gewichte W₁ Gewichtsänderung Gewichtsmatrix gewünschten Ausgang gezeigt Gradientenabstiegsverfahren Grenzgerade Hamming-Abstand Hamming-Netz Hopfield-Netz Identifikation initialisieren Iterationen K₁ konvergiert künstlichen Neuronalen Netzen künstlichen Neurons Lerndatei Lernregel Lernschritt Lernschrittweite Lösung Mehrschicht Perzeptron Merkmale minimal Modell muß Musterklasse N-Regler Neocognitron Netzausgang Netzmerkmale Beschreibung Neuronale Netze Nichtiteratives P-Glied Pl-Regler Realisierung Regelkreis Regelstrecke Regelung regelungstechnischen Regler Reglereinstellung RT-Neuron rückwärts 2.1 Schritt Schwellenwert Sigmoid Signalübertragung vorwärts 2.1 stabilen Zustand Stabilitätsgebiet Stabilitätsgrenze Statische Kennlinie Linear Steuerung Struktur Synapse Systems T₁ T₂ Tabelle trainiert Übertragungsfunktion überwachtes Lernen unüberwacht V₁ Vektoren verdeckte Schicht verdeckten Neuronen Verfahren vorwärts 2.1 Fehlerübertragung W₁ W₂ Wirkungsplan x₁ y₁ Z-Neuronen zusammengefaßt zwei Zweipunkt

Autoren-Profil (2013)

Professor Dr.-Ing. Serguei Zakharian lehrt an der Fachhochschule Wiesbaden, Fachbereich Mathematik, Naturwissenschaften und Datenverarbeitung.
Dipl.-Ing. Stefan Thoer studierte an der Fachhochschule Wiesbaden Elektrotechnik mit dem Schwerpunk Meß- und Regelungstechnik.

Bibliografische Informationen