07.10.2013 Aufrufe

Identifikation nichtlinearer mechatronischer Systeme mit ...

Identifikation nichtlinearer mechatronischer Systeme mit ...

Identifikation nichtlinearer mechatronischer Systeme mit ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Inhaltsverzeichnis III<br />

Inhaltsverzeichnis<br />

1 Einleitung 1<br />

1.1 Stand der Technik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2<br />

1.2 Motivation und Zielsetzung . . . . . . . . . . . . . . . . . . . . . . . 4<br />

1.3 Gliederung der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . 5<br />

2 Statische und dynamische Neuronale Netze 7<br />

2.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />

2.2 Lernen in Neuronalen Netzen . . . . . . . . . . . . . . . . . . . . . . 7<br />

2.3 Statische Neuronale Netze . . . . . . . . . . . . . . . . . . . . . . . . 9<br />

2.3.1 Multi-Layer-Perzeptron-Network . . . . . . . . . . . . . . . . . . . . 9<br />

2.3.2 Radial-Basis-Function-Network . . . . . . . . . . . . . . . . . . . . . 13<br />

2.3.3 General-Regression-Neural-Network . . . . . . . . . . . . . . . . . . . 14<br />

2.3.4 Harmonic-Activated-Neural-Network . . . . . . . . . . . . . . . . . . 16<br />

2.3.5 Gradientenverfahren für statische Neuronale Netze . . . . . . . . . . 17<br />

2.4 Dynamische Neuronale Netze . . . . . . . . . . . . . . . . . . . . . . 20<br />

2.4.1 Time-Delay-Neural-Network . . . . . . . . . . . . . . . . . . . . . . . 20<br />

2.4.2 Jordan-Netzwerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22<br />

2.4.3 Elman-Netzwerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />

2.4.4 Lerngesetze für dynamische Neuronale Netze . . . . . . . . . . . . . . 23<br />

2.5 Volterra-Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />

2.5.1 Das Hammerstein-Modell im Ansatz der Volterra-Reihe . . . . . . . . 28<br />

2.5.2 Eigenschaften des Volterra-Ansatzes . . . . . . . . . . . . . . . . . . 29<br />

2.5.3 Basisfunktionen zur <strong>Identifikation</strong> linearer <strong>Systeme</strong> . . . . . . . . . . 29<br />

2.5.4 Basisfunktionen zur <strong>Identifikation</strong> des Hammerstein-Modells . . . . . 32<br />

2.6 Neuronaler Beobachter . . . . . . . . . . . . . . . . . . . . . . . . . . 34<br />

2.6.1 Beobachteransatz und Fehlergleichung . . . . . . . . . . . . . . . . . 35<br />

2.6.2 Lerngesetz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37<br />

2.7 Vergleich der Neuronalen Netze . . . . . . . . . . . . . . . . . . . . . 40<br />

2.8 Kurzzusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!