Fuzzy and Neuro-Control - Interactive curriculae of TU Ilmenau
The interactive curriculae provide information on the degree programmes offered by the TU Ilmenau.
Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).
You can find all details on planned lectures and classes in the course catalogue.
Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.
|
module properties Fuzzy and Neuro-Control
in degree program Master Technische Kybernetik und Systemtheorie 2014
ATTENTION: not offered anymore |
|
|---|---|
| module number | 100726 |
| examination number | 220398 |
| department | Department of Computer Science and Automation |
| ID of group | 2211 (Automation Engineering) |
| module leader | N. N. |
| term | winter term only |
| language | Deutsch |
| credit points | 5 |
| on-campus program (h) | 45 |
| self-study (h) | 105 |
| obligation | elective module |
| exam | examination performance with multiple performances |
| details of the certificate | |
| link to Moodle course | |
| teacher | |
| signup details for alternative examinations | |
| maximum number of participants | |
| previous knowledge and experience | Abschluss der Grundausbildung in Mathematik, Regelungstechnik, Systemanalyse |
| learning outcome | 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. |
| content | 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. |
| media of instruction and technical requirements for education and examination in case of online participation | 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. |
| literature / references |
|
| evaluation of teaching | |