Zusammenfassung
In Kapitel 2 wurden zwei verschiedene nichtlineare Strecken diskutiert, die „mechatronische“ und die „technologische Strecke“. Bei beiden Fällen waren relevante Nichtlinearitäten wie u. a. die Reibung, die Lose oder das Elastizitätsmodul zu beachten. Als weiterer Kernaspekt der folgenden Überlegungen war die physikalische Interpretierbarkeit des Streckenmodells genannt worden.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Beuschel, M.: Neuronale Netze zur Diagnose und Tilgung von Drehmomentschwingungen am Verbrennungsmotor. Dissertation, Lehrstuhl für Elektrische Antriebssysteme, TU München, 2000.
Brause, R.: Neuronale Netze – Eine Einführung in die Neuroinformatik. B.G. Teubner Verlag, 1995.
Elman, J. L: Finding Structure in Time. Cognitive Science, Vol 14, pp.179-211, 1990.
Endisch, C.: Optimierungsstrategien für die Identifikation mechatronischer Systeme. Shaker Verlag, Aachen, 2009.
Hagan, M., Demuth, H., Beale, M.: Neural Network Design. PWS Publishing Company, 1996.
Hofmann, S., T. Treichl und D. Schröder: Identification and Observation of Mechatronic Systems including Multidimensional Nonlinear Dynamic Functions. Proceedings of the 7th International on Advanced Motion Control AMC 2002, pp. 285-290, Maribor Slovenia, 2002.
Isermann, R.: Identifikation dynamischer Systeme – Band 1. Springer–Verlag, 1992.
K\({\dot{u}}\)rková, V. und R. Neruda: Uniqueness of Functional Representation by Gaussian Basis Function Networks. ICANN, Sorrento, 1994.
Luenberger, D.G.: Observing the State of Linear Systems. IEEE Transactions on Military Electronics, pp 74–80, 1964.
McCulloch, W. S. und W. Pitts: A logical calculus of the ideas immanent in nervous activitiy. Bulletin of Mathematical Biophysics 5, pp 115-133, auch in J. Anderson, E. Rosenfeld (Eds): Neurocomputing: Foundations of Research, Kap. 2, pp. 18-28, MIT Press, 1988, 1943. Literaturverzeichnis 825
Minsky, M. und S. Papert: Perceptrons - Expanded Edition : An Introduction to Computational Geometry. MIT-Press pp. 1-20 und 73, auch in J. Anderson, E. Rosenfeld (Eds): Neurocomputing: Foundations of Research, Kap. 13, pp. 161-170, MIT Press, 1988, 1969.
Murray-Smith, R.: A Local Linear Model Network Approach to Nonlinear Modelling. Ph.D. Thesis, University of Strathclyde, UK, 1994.
Murray-Smith, R. und T. A. Johansen: Multiple Model Approaches to Modelling and Control. Taylor & Francis, 1997.
Nelles, O.: LOLIMOT-Lokale, lineare Modelle zur Identifikation nichtlinearer, dynamischer Systeme. at - Automatisierungstechnik, Nr. 45, 4/1997, Oldenburg, Wien, 1997.
Nelles, O.: Nonlinear System Identification with Local Linear Neuro–Fuzzy Models. Ph.D. Thesis, TU Darmstadt, 1999.
Nelles, O.: Nonlinear System Identification. Springer–Verlag, 2001.
Rosenbaltt, F: The perceptron: a probalistic model for information storage and organization in the brain. Psychological review 65, pp 386-408, auch in J. Anderson, E. Rosenfeld (Eds): Neurocomputing: Foundations of Research, Kap. 8, pp. 92-114, MIT Press, 1988, 1958. Literaturverzeichnis 827
Rumelhart, D. E., G. E. Hinton und R. J. Williams: Learning internal representations by error propagation. D.E. Rumelhart, J.L. McCelland (Eds) Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1, auch in J. Anderson, E. Rosenfeld (Eds): Neurocomputing: Foundations of Research, Kap. 41, pp. 696-700, MIT Press, 1988, 1986.
Schäffner, C.: Analyse und Synthese neuronaler Regelungsverfahren. Dissertation, Lehrstuhl für Elektrische Antriebssysteme der TU München, 1996.
Schmidt, G.: Lernverfahren in der Automatisierungstechnik. Vorlesungsskriptum Lehrstuhl für Steuerungs- und Regelungstechnik der TU München, 1997.
Specht, D.: A General Regression Neural Network. IEEE Transactions on Neural Networks. Vol 2, pp. 568-576, November, 1991.
Werbos, P. J.: Beyond regression: new tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University, Cambridge, MA, 1974.
Williams, R. J. und D. Zipser: A learning algorithm for continually running fully recurrent neural networks. Neural Computation, Vol. 1, No.2, pp:270–280, 1989.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2010 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Schröder (2010). Statische Funktionsapproximatoren. In: Intelligente Verfahren. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-11398-7_3
Download citation
DOI: https://doi.org/10.1007/978-3-642-11398-7_3
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-11397-0
Online ISBN: 978-3-642-11398-7
eBook Packages: Computer Science and Engineering (German Language)