Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Diese Arbeit befasst sich mit Identifikation und Regelung nichtlinearer Systeme anhand der LLM-Netze. Das nichtlineare Identifikationsproblem wird als adaptives Beobachtungsproblem formuliert, wobei die Modellparameter und Systemzustände aus der Ein- und Ausgangsdaten des Systems geschätzt werden. Zur Schätzung der LLM-Netzparameter werden lokale und globale Lernalgorithmen entwickelt und untersucht. Die lokalen Lernverfahren vernachlässigen die Umschaltung zwischen den lokalen Modellen und schätzen nur die Parameter des gerade aktiven lokalen Modells. Die globalen Lernverfahren verwenden dagegen die Gradienten des nichtlinearen Gesamtmodells zur Minimierung einer globalen Gütefunktion. Zur Regelung nichtlinearer Systeme unter Einsatz von LLM-Netzen werden neue Verfahren mit Zustands- sowie mit Ausgangsrückführungen, wie z.B. Regelung nach dem Modellvergleichsverfahren, nichtlineare Störgößenaufschaltung, LQ-optimale Regelung und nichtlineare prädiktive Regelung entwickelt.