Identifikation nichtlinearer mechatronischer Systeme mit ...

2 Statische und dynamische Neuronale
Netze
2.1 Einleitung
In diesem Kapitel werden zunächst die in dieser Arbeit verwendeten statischen Neuronalen
Netze bzw. Funktionsapproximatoren beschrieben. Anschließend werden aus
der Gruppe der dynamischen Neuronalen Netze ein Neuronales Netz mit externer
Dynamik (NOE-/NARX-Struktur, siehe Abbildung 1.1) sowie zwei Neuronale Netze
mit interner Dynamik beschrieben. Außerdem wird in diesem Kapitel auf Ansätze
basierend auf der Volterra-Reihe eingegangen, welche ebenfalls der Gruppe der dynamischen
Neuronalen Netze mit externer Dynamik zugeordnet werden können (NFIR
bzw. NOBF). Zusätzlich wird in diesem Kapitel der Neuronale Beobachter beschrieben.
Am Ende dieses Kapitels werden die bisher bekannten Neuronalen Netze miteinander
verglichen und bezüglich ihrer Anwendbarkeit bewertet.
Zunächst wird jedoch der Begriff Neuronales Netz definiert.
Definition 2.1 Neuronale Netze, oft auch als künstliche Neuronale Netze oder
artificial neural networks bezeichnet, sind informationsverarbeitende Systeme, die
aus einer großen Anzahl einfacher Einheiten (Zellen, Neuronen) bestehen, die sich
Information in Form der Aktivierung der Zellen über gerichtete Verbindungen zusenden
[Zell, 1994].
2.2 Lernen in Neuronalen Netzen
Die herausragende Eigenschaft Neuronaler Netze ist es, anhand von Trainingsdaten
unbekannte Zusammenhänge zu approximieren und sie nach abgeschlossener Lernphase
zu reproduzieren, sowie das gelernte Wissen auf ungelernte Eingangsdaten zu
extrapolieren bzw. zu interpolieren. Hierfür besitzen Neuronale Netze eine begrenzte
Anzahl an Parametern, die während der Lernphase eingestellt werden.
Unter Lernen in Neuronalen Netzen wird im Allgemeinen die Modifikation dieser
Parameter verstanden, um eine bessere Übereinstimmung zwischen erwünschter und
7