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

Cover
Springer-Verlag, 02.07.2013 - 184 Seiten
0 Rezensionen
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 Übersicht über die fast dramatische Entwicklung dieses Gebietes zu vermitteln.
 

Was andere dazu sagen - Rezension schreiben

Es wurden keine Rezensionen gefunden.

Inhalt

Inhaltsverzeichnis
1
Einteilung von künstlichen Neuronalen Netzen
19
Grundtypen von künstlichen Neuronalen Netzen 45
45
Regelungstechnische Anwendungen von KNN
107
Übungsaufgaben mit Lösungen
145
Literaturverzeichnis
171
Urheberrecht

Andere Ausgaben - Alle anzeigen

Häufige Begriffe und Wortgruppen

2.1 Signalübertragung 2.1 Statische Kennlinie Abschnitt 22 Abstand Adaline Adaptive Aktivierungsfunktion Aktivierungswert Algorithmus Aufgabe Ausgangsneuronen Backpropagation Beispiel berechnen berechnet Bild Boltzmann-Maschine Clustern Cognitron Comparator-Netz E-Netz Eingänge Ausgänge Eingangsmuster Eingangsneuronen Eingangsvektor Eingangswerte eingeben Einteilung Einzelschicht Perzeptron Erkennung Fehler Fehlermaß folgende Parameter Funktion Funktionsweise Gegeben sind folgende Gewichte Gewichtsänderung Gewichtsmatrix gewünschten Ausgang gezeigt globale Minimum Gradientenabstiegsverfahren Grenzgerade Hamming-Abstand Hamming-Netz Hebb'schen Hopfield Hopfield-Netz Identifikation initialisieren Iterationen iterativ 2,3 Verfasser Kohonen-Netz Konkurrenzlernen konstant Kosko's BAM künstlichen Neuronalen Netzen künstlichen Neurons Lerndatei Lernregel Lernschritt Lernschrittweite Lernverfahren überwacht Lösung maximalen Wert Mehrschicht Perzeptron Merkmale minimal Modell Muster der Klasse Musterklasse Neocognitron Netz besteht Netzausgang Netzfunktion Klassifikator neue Neuronale Netze nichtiterativen P-Regler Realisierung Regelkreis Regelstrecke Regelung regelungstechnischen Regler Reglereinstellung RT-Neuron rückwärts 2.1 Statische Schritt Schwellenwert Sigmoid stabilen Zustand Stabilitätsgebiet Stabilitätsgrenze Steuerung Strukturbild Synapse Tabelle trainiert Übertragungsfunktion überwachtes Lernen unüberwacht Variablen Vektoren verdeckte Schicht verdeckten Neuronen Verfahren vorwärts 2.1 Fehlerübertragung Wirkungsplan Z-Neuronen Zustandsregelung zwei Zweipunkt

Über den Autor (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