- Bliv medlem
-
Log ind
Du er ikke logget ind
Log ind Opret dig - Kurv
Du er ikke logget ind
Beskrivelse
Kunstliche neuronale Netzwerke besitzen auf Grund ihrer Lernfahigkeit grosses Potential zur adaptiven Regelung komplexer dynamischer Prozesse. Neben den theoretischen Grundlagen und einer statistischen Methodik des Netzwerkentwurfes wird in dieser Arbeit eine Klasse regelungstechnisch motivierter Lernverfahren vorgestellt. Dabei werden neuronale Netze als dynamische Systeme aufgefasst, wodurch ihr Training als geregelter Prozess betrachtet werden kann. Dies erlaubt die Anwendung der Gleitzustandsregelung auf neuronale Lernverfahren, welche so um eine intrinsische Stabilitatsbedingung erweitert werden konnen. Durch die dynamische Bestimmung der Lernraten vermag dieser Lernansatz die Zustande eines neuronalen Netzes in den global asymptotisch stabilen Gleitzustand zu uberfuhren. Die praktische Bedeutung dieses Lernverfahrens wird am Beispiel zweier Regelungsstrategien dargestellt: Der modellfreien neuronalen Regelung, welche ohne mathematisches Modell des geregelten Systems auskommt, und der neuronal gestutzten dynamischen Inversion, bei der die Nutzung des Gleitzustandslernverfahrens besondere Vorteile mit sich bringt. Dies liegt darin begrundet, dass der Gleitzustand der Netzwerkzustande eine stabilisierende Wirkung auf die Fehlerdynamik des geschlossenen Regelkreises besitzt. Am Beispiel eines beschadigten unbemannten Flugsystems zeigt sich, dass dieses Verfahren wegen seiner dynamischen Bestimmung der Lernraten eine hohere Konvergenzgeschwindigkeit als vergleichbare etablierte Ansatze aufweist. Die Ergebnisse der Arbeit unterstreichen die Vorzuge der interdisziplinaren Kombination von klassischer Regelungstechnik und Maschinenlernverfahren bei der Auslegung komplexer Regelungssysteme.