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 Wirtschaftsingenieurwesen 2018 (AT) | |
|---|---|
| Modulnummer | 100726 |
| Prüfungsnummer | 220398 |
| Fakultät | Fakultät für Informatik und Automatisierung |
| Fachgebietsnummer | 2211 (Automatisierungstechnik) |
| Modulverantwortliche(r) | N. N. |
| Turnus | Wintersemester |
| Sprache | Deutsch |
| Leistungspunkte | 5 |
| Präsenzstudium (h) | 45 |
| Selbststudium (h) | 105 |
| Verpflichtung | Wahlmodul |
| Abschluss | Prüfungsleistung 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 |
|
| Lehrevaluation | |