Technische Universität Ilmenau

Fuzzy- and Neuro Control - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Informationen und Handreichungen zur Pflege von Modulbeschreibungen durch die Modulverantwortlichen finden Sie unter Modulpflege.

Hinweise zu fehlenden oder fehlerhaften Modulbeschreibungen senden Sie bitte direkt an modulkatalog@tu-ilmenau.de.

Modulinformationen zu Fuzzy- and Neuro Control im Studiengang Master Technische Kybernetik und Systemtheorie 2014
Modulnummer100726
Prüfungsnummer220398
FakultätFakultät für Informatik und Automatisierung
Fachgebietsnummer 2211 (Automatisierungstechnik)
Modulverantwortliche(r) N. N.
TurnusWintersemester
SpracheDeutsch
Leistungspunkte5
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungWahlmodul
AbschlussPrüfungsleistung mit mehreren Teilleistungen
Details zum Abschluss
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse

Abschluss der Grundausbildung in Mathematik, Regelungstechnik, Systemanalyse

Lernergebnisse und erworbene Kompetenzen

Aneignung von Kenntnissen und praktischen Fertigkeiten beim Entwurf von Fuzzy- und Neuro-Systemen zur Anwendung auf den Gebieten der Modellbildung, des Entwurfs regelungstechnischer Systeme und der Lösung von Klassifikationsaufgaben in wissensbasierten Entscheidungshilfesystemen. Kennenlernen von Basismechanismen und Anwendungsgebieten von Evolutionären Algorithmen.

Inhalt

Grundlagen der Fuzzy-Theorie, Module des Fuzzy-Systems, Kennlinien und Kennflächen von Fuzzy-Sytemen, Fuzzy-Modellbildungsstrategien, Fuzzy-Klassifikation und -Klassensteuerung, optimaler Entwurf von Fuzzy-Steuerungen und Regelungen, adaptive/lernende Fuzzy-Konzepte, Beispiele aus Technik, verwendete Tools: Fuzzy-Control Design Toolbox, Fuzzy Logic Toolbox für MATLAB.

 Theoretische Grundlagen Künstlicher Neuronaler Netze. Lernstrategien (Hebbsches Lernen, Delta-Regel Lernen, Competetives Lernen). Vorstellung grundlegender 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 Predictive Control, direktes Training eines neuronalen Reglers, Reinforcement Learning). Methoden zur Neuro-Klassifikation (Backpropagation, Learning Vector Quantization). Anwendungsbeispiele und Vorstellung von Entwicklungstools für Künstliche Neuronale Netze , verwendete Tools: Neural Network Toolbox für MATLAB, HALCON, NeuralWorks Professional.

Medienformen

Bei der Vorlesung werden über Beamer die wichtigsten Skizzen, Gleichungen und Strukturen dargestellt. Einfache Beispiele, das Herleiten von Gleichungen und die Erstellung von Strukturen werden anhand von Tafelbildern entwickelt. Zusätzlich wird der Lehrstoff mit Beispielen unter Verwendung der in MATLAB vorhandenen Toolboxen anhand untermauert. Die Vorlesungsfolien und das Skript können als PDF-Dokument heruntergeladen werden. Es findet zusätzlich zur Vorlesung alle zwei Wochen ein rechnergestütztes Seminar statt, in welchem die Studenten unter Verwendung von MATLAB/Simulink Aufgaben im Bereich der Modellbildung, Regelung und Klassifikation mit Fuzzy und Neuro Methoden lösen.

Literatur
  • Adamy J.:  Fuzzy Logik, Neuronale Netze und Evolutionäre Algorithmen Shaker Verlag, Aachen 2005.
  • Koch M., Kuhn Th., Wernstedt J.:  Fuzzy Control – Optimale Nachbildung und Entwurf optimaler Entscheidungen, Oldenbourg, München, 1996.
  • Kiendl H.: Fuzzy Control methodenorientiert, Oldenbourg, München 1997.
  • D. Patterson: Künstliche Neuronale Netze, München,...: Prentice Hall, 1996. R. Brause: Neuronale Netze, Stuttgart: Teubner, 1995. K. Warwick, G.W.Irwin, K.J. Hunt: Neural networks for control and systems, London: Peter Pelegrinus Ltd., 1992.
  • Schöneburg E., Heinzmann F., Fedderson S.:  Genetische Algorithmen und Evolutionsstrategien, Addison-Wesley, 1994.
  • Rechenberg I.: Evolutionsstrategie ’94, frommann-holzboog, 1994
Lehrevaluation