English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

at – Automatisierungstechnik 53 (2005) 10 © Oldenbourg Verlag Neuronale Netze sind in der Lage, komplizierte Zusammenhänge zu erlernen und stellen damit ein leistungsfähiges Mittel für die Identifikation nichtlinearer dynamischer Systeme dar. Bei einer solchen Anwendung erzeugt ein neuronales Netz eine nichtlineare Abbildung zwischen dem Eingang und dem Ausgang des Systems ohne ein tiefes Verständnis über den physikalischen Zusammenhang haben zu müssen. Ein neuronales Netz kann als universeller Approximator alle Beziehungen mit beliebiger Genauigkeit approximieren. Vorausgesetzt ist dabei, dass das Netz eine geeignete Struktur und passende Parameter besitzt. Die Schätzung der Netzparameter kann als ein Optimierungsproblem betrachtet werden, bei dem eine bestimmte Kostenfunktion mit den Netzparametern als freien Variablen zu minimieren ist. Damit gibt es zwei Faktoren, mit denen die Leistung eines Netzes zur Erfüllung der Aufgabe verbessert werden kann: die Verwendung effizienter Optimierungsverfahren und die Formulierung geeigneter zu minimierender Kostenfunktionen. Bei Systemveränderung ist das in den Parametern gespeicherte Wissen nicht mehr in der Lage, das System zu beschreiben. Daher wurde in dieser Arbeit die Nutzung der Kostenfunktion als Mittel zur Leistungsverbesserung untersucht und ein Schema zur Online-ParameterAnpassung entworfen. Als Ergebnis der Suche nach geeigneten Netzstrukturen wurde das mehrschichtige Perzeptron-Netz (MLPNetz) mit externen dynamischen Rückkopplungen für die weitere Untersuchung gewählt. Ein neuer Lernalgorithmus für dieses Netz wurde abgeleitet, um die Präzision bei Mehrschrittprädiktion zu erhöhen. Der entwickelte Lernalgorithmus wurde mit dem Optimierungsverfahren von Levenberg und Marquardt kombiniert. Ausgestattet mit einer fähigen Netzstruktur und einem effektiven Lernalgorithmus wurde der Einfluss der Kostenfunktionen untersucht. Zwei neue Kostenfunktionen wurden analyIdentifikation nichtlinearer dynamischer Systeme mittels neuronaler Netze mit Online-Parameter-Anpassung