RVNN

Name:

Regelungsverfahren mit neuronalen Netzen
Neuro-Control

Veranstaltungsart:

Vorlesung

Inhalt:

• Motivation und Einleitung

• Neuronale Architekturen und Lernverfahren:

  Einführung, Multi Layer Perzeptrons(MLP), einfache Perzeptrons, explizite Lösung, Gradientenmethode, mehrschichtige Netzwerke, Generalisierungsfähigkeiten, das Overfittingsproblem, Backpropagation, Momentum-Methode, adaptive Lernrate, Newton-Methode, die Levenberg-Marquardt-Methode, Dynamische Neuronale Netze, Time Delay Neuronale Netze TDNN, Rekurrente Neuronale Netze RNN, Diagonale rekurrente Netze DRNN

• Systemidentifikation:

  Einführung, Modellstrukturen, Lineare Modellstrukturen, Nichtlineare Modellstrukturen, Neuronale Modellstrukturen, Versuchsvorbereitung und –durchführung, Training neuronaler Modelle

• NN-basierte Regelung:

  Direkte inverse Regelung, direktes Training, modellbasiertes (indirektes) Training, Regelung mit internem Modell, Regelung mit Vorsteuerung, Optimale Regelung, Online Linearisierung, Prädiktive Regelung, Feedback–Linearisierung: Beispiel, Verallgemeinerung, nichtlineare zeitkontinuierliche Systeme, nichtlineare zeitdiskrete Systeme, Stabilität nichtlinearer Systeme

Zielgruppe:

• Student(inn)en im Fachstudium 1. und 2. Studienstufe ab 5. Semester

Umfang:

• 2 SWS Vorlesung, 2 SWS Übung, 6 CP

Termine:

• Die Vorlesung findet im Wintersemester statt.

Unterlagen:

• Bekanntgabe in der Vorlesung

Leistungsnachweis:

• Klausur

Dozenten:

• Dr.-Ing. Mohamed Ayeb

Zurück zur Übersicht