Patricia Ladewig-Riedler, Stefan Thoer

Neuronale Netze für Ingenieure

Arbeits- und Übungsbuch für regelungstechnische Anwendungen
Mitarbeit:Zakharian, Serge

• Broschiertes Buch

Produktbeschreibung

Dieses Buch verschafft einen Überblick über die wichtigsten Modelle aus dem Bereich der Neuronalen Netze und leitet zum Umgang mit ihnen an. Die auf diese Modelle hin konzipierten Übungen ermöglichen es dem Leser, zusammen mit der vorangestellten Theorie, Neuronale Netze für die eigenen Aufgabenstellungen einzusetzen.

---

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.

Produktdetails

• Ausbildung und Studium
• Verlag: Vieweg+Teubner / Vieweg+Teubner Verlag
• Artikelnr. des Verlages: 978-3-528-05578-3
• 1998
• Seitenzahl: 196
• Erscheinungstermin: 29. April 1998
• Deutsch
• Abmessung: 210mm x 148mm x 11mm
• Gewicht: 250g
• ISBN-13: 9783528055783
• ISBN-10: 3528055782
• Artikelnr.: 32754414

Autorenporträt

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.

Inhaltsangabe

1. Aufbau eines künstlichen Neurons.- 1.1 Grundmodell eines Neurons.- 1.2 Grundbegriffe der KNN.- 1.3 Das Lernen als Gewichtsänderung.- 1.4 Optimierungs- und Suchverfahren.- 1.5 Realisierung eines künstlichen Neurons.- 1.6 Das Lernen als Mitkopplung.- 2. Einteilung von künstlichen Neuronalen Netzen.- 2.1 Netzfunktionen und Anwendungen.- 2.2 Statische Kennlinien von Neuronen.- 2.3 Lernmechanismen.- 2.3.1 Einteilung.- 2.3.2 Fehlerkorrektur.- 2.3.3 Rückgekoppeltes Lernen.- 2.3.4 Wahrscheinlichkeitslernen.- 2.3.5 Konkurrenzlernen.- 2.3.6 Hebb sche Lernregel.- 2.3.7 Nichtiteratives Lernen.- 2.4 Historischer Rückblick.- 2.5 Vor- und Nachteile von KNN.- 3. Grundtypen von künstlichen Neuronalen Netzen.- 3.1 Übersicht.- 3.2 Einzelschicht Perzeptron.- 3.3 Mehrschicht Perzeptron.- 3.4 Adaline / Madaline Netze.- 3.5 Cognitron und Neocognitron.- 3.6 Comparator-Netz.- 3.7 Backpropagation.- 3.8 Counterpropagation.- 3.9 Querpropagation.- 3.10 Hopfield-Netz.- 3.11 Hamming-Netz.- 3.12 Kohonen-Netz.- 3.13 Carpenter / Grossberg-Netz.- 3.14 Cooper s RCE-Netz.- 3.15 Kosko s BAM.- 3.16 IAC-Netz.- 4. Regelungstechnische Anwendungen von KNN.- 4.1 Einführung.- 4.2 Identifikation.- 4.2.1 Einführung.- 4.2.2 Identifikation mit dem Hopfield-Netz.- 4.2.3 Identifikation mit dem RT-Neuron.- 4.2.4 Identifikation mit dem Backpropagation.- 4.3 Stabilitätsuntersuchung.- 4.3.1 Einführung.- 4.3.2 Stabilitätsanalyse mit Backpropagation.- 4.3.3 Beispiel: PD-Regler eines Roboterarmes.- 4.4 Regelung und Steuerung mit KNN.- 4.4.1 Grundtypen.- 4.4.2 Drehwinkelregelung eines Servomotors.- 4.4.3 Stabilisierung eines Pendels.- 4.4.4 Positionsregelung eines Manipulators.- 4.4.5 Steuerung von Fahrzeugbewegungen.- 4.5 Entwurf u. Realisierung eines Reglers mit KNN.- 4.5.1 Übersicht.- 4.5.2 Stabilitätsuntersuchung.- 4.5.3 Reglereinstellung.- 4.5.4 Konfigurierung des N-Reglers.- 4.5.5 Realisierung.- 5. Übungsaufgaben mit Lösunqen.- 5.1 Übungsaufgaben.- 5.2 Lösungen.- 6. Literaturverzeichnis.- Sachwortverzeichnis.