http://www.tu-ilmenau.de

Logo TU Ilmenau



Foto des Ansprechpartners
Ansprechpartner

Univ.-Prof. Dr. Yuri Shardt

Professor

Telefon +49 3677 69-2814

E-Mail senden


Ihre Position

INHALTE

Fuzzy und Neuro Control

Veranstaltung für:

EIT_MA 2., EPCE_MA 3., II_MA 2., MTR_MA 2., TKS_MA 2., WIW_MA 3.

Lehrinhalt:

Teil Fuzzy:

Unscharfe Aussagen sind uns aus der Alltagssprache bekannt: "Heute ist es teilweise bewölkt und ziemlich kalt." Auf diese Weise kann auch das Expertenwissen zum Führen eines technischen Prozesses vorliegen: "Wenn die Kesseltemperatur etwas zu niedrig ist, dann schalte die Heizung ein wenig ein." Mit Hilfe der Fuzzy-Logik können solche Aussagen formalisiert und für technische Funktionen nutzbar gemacht werden. Darüber hinaus wird gezeigt, wie Fuzzy-Systeme auch auf Basis von Messdaten trainiert werden können. Die Vorlesung führt zunächst in die Grundlagen der Fuzzy-Logik ein. Es wird ein Fuzzy-System definiert, das für die Aufgaben der Modellierung, der Regelung und der Klassifikation angwendet wird.

Die Vorlesung gliedert sich in folgende Kapitel:

  1. Motivation
  2. Grundlagen der Fuzzy-Mengen und Fuzzy-Logik
  3. Fuzzy Modellbildung
  4. Fuzzy-Regelung
  5. Fuzzy Klassifikation
  6. Industrielle Anwendungen von Fuzzy-Systemen

Teil Neuro:

  • Theoretische Grundlagen Künstlicher Neuronaler Netze
  • Lernstrategien (Hebbsches Lernen, Delta-Regel Lernen, Competetives Lernen)
  • Vorstellung gundlegender Netzwerktypen wie Perzeptron, Adaline, Madaline, Back-Propagation Netze, Kohonen-Netze
  • Modellbildung mit Hilfe Neuronaler Netze für statische (Polynommodell) und dynamische (Differenzengleichungsmodell, Volterra-Reihen-Modell) nichtlineare Systeme einschließlich entsprechender Anwendungshinweise (Fehlermöglichkeiten, Datenvorverarbeitung, Gestaltung des Lernprozesses)
  • Strukturen zur Steuerung/Regelung mit Hilfe Neuronaler Netze (Kopieren eines konventionellen Reglers, Inverses Systemmodell, Internal Model Control, Model Predictiv Control, direktes Training eines neuronalen Reglers, Reinforcement Learning)
  • Methoden zur Neuro-Klassifikation (Backpropagation, Learning Vector Quantization). Neuro-Fuzzy-Methoden. Anwendungsbeispiele und Vorstellung von Entwicklungstools für Künstliche Neuronale Netze

(siehe auch hier)

Vorlesender:

Dr.-Ing. Fred Roß

Vorlesungstermin:

Vorlesungsskript:
(wenn nicht anders angegeben, handelt es sich um pdf-Dateien)

Übungsaufgaben:
(wenn nicht anders angegeben, handelt es sich um pdf-Dateien)

Praktikumsversuche:
(für das Modul für ausgewählte Studiengänge)