Computational Intelligence, 2nd Edition

Computational Intelligence, 2nd Edition

by Andreas Kroll
Released January 2016
Publisher(s): De Gruyter Oldenbourg
ISBN: 9783110402155

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

Beschreibung, Analyse und Entwurf technischer Systeme werden zunehmend komplexer und erfordern neuartige Lösungsansätze. Durch die Natur inspiriert entstanden verschiedene Berechnungsverfahren, die im Wissenschaftsgebiet der Computational Intelligence (CI) zusammengefasst sind. Hierzu zählen die etablierten Kernbereiche der Fuzzy-Systeme, Künstliche Neuronale Netze und Evolutionäre Algorithmen sowie aus diesen zusammengeführte Hybride Methoden. Hinzu kommen die noch jungen Gebiete der Schwarmintelligenz und der künstlichen Immunsysteme. So bewegt sich die CI an der Schnittstelle zwischen Ingenieurswissenschaften und Informatik. Dieses Buch bietet eine gut verständliche, vereinheitlichende und anwendungsorientierte Einführung in das Thema und vermittelt Studenten und berufstätigen Ingenieuren das notwendige Fachwissen. Neben den methodischen Erläuterungen sind einfach nachvollziehbare Beispiele integriert, die die Funktion der Methoden veranschaulichen. Darüber hinaus wurden Praxisbeispiele zur Illustration der praktischen Relevanz aufgenommen. Die Musterlösungen für Dozenten können auf der geschützten Webseite http://141.51.54.2/MRT/Bibliothek/Compagnon/ heruntergeladen werden.

Table of contents

  1. Cover
  2. Titelseite
  3. Impressum
  4. Begleitwort zur 1. Auflage
  5. Vorwort zur 2. Auflage
  6. Vorwort zur 1. Auflage
  7. Inhaltsverzeichnis
  8. Teil I: Einführung
    1. 1 Einleitung
      1. 1.1 Neue Herausforderungen an technische Systeme
      2. 1.2 Komplexe, komplizierte und chaotische Systeme
      3. 1.3 Grenzen traditioneller Berechnungsmethoden
      4. 1.4 Naturinspirierte Berechnungsmethoden
        1. 1.4.1 Bionik
        2. 1.4.2 Künstliche Intelligenz
        3. 1.4.3 Natural Computing
        4. 1.4.4 Soft Computing
        5. 1.4.5 Computational Intelligence
      5. 1.5 Abschließende Bemerkungen
    2. 2 Problemstellungen und Lösungsansätze
      1. 2.1 Einführende Beispiele
      2. 2.2 Mustererkennung und Klassifikation
        1. 2.2.1 Einführung in die Problemstellung
        2. 2.2.2 Entwurfs- und Auslegungskonzepte.
        3. 2.2.3 Kriterien zur Ergebnisbewertung
        4. 2.2.4 Praktische Beispiele
        5. 2.2.5 Weiterführende Literatur
        6. 2.2.6 Zusammenfassende Bewertung
      3. 2.3 Modellbildung
        1. 2.3.1 Einführung in die Problemstellung
        2. 2.3.2 Entwurfs- und Auslegungskonzepte.
        3. 2.3.3 Kriterien zur Ergebnisbewertung
        4. 2.3.4 Praktische Beispiele
        5. 2.3.5 Weiterführende Literatur
        6. 2.3.6 Zusammenfassende Bewertung
      4. 2.4 Regelung
        1. 2.4.1 Einführung in die Problemstellung
        2. 2.4.2 Entwurfs- und Auslegungskonzepte.
        3. 2.4.3 Kriterien zur Ergebnisbewertung
        4. 2.4.4 Praktische Beispiele
        5. 2.4.5 Weiterführende Literatur
        6. 2.4.6 Zusammenfassende Bewertung
      5. 2.5 Optimierung und Suche
        1. 2.5.1 Einführung in die Problemstellung
        2. 2.5.2 Entwurfs- und Auslegungskonzepte
        3. 2.5.3 Kriterien zur Ergebnisbewertung
        4. 2.5.4 Praktische Beispiele
        5. 2.5.5 Weiterführende Literatur
        6. 2.5.6 Zusammenfassende Bewertung
      6. 2.6 Beispiele und Benchmarks
  9. Teil II: Fuzzy-Systeme
    1. 3 Einleitung
    2. 4 Allgemeine Prinzipien
      1. 4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen
      2. 4.2 Mamdani-Fuzzy-Systeme
      3. 4.3 Relationale Fuzzy-Systeme
      4. 4.4 Takagi-Sugeno-Systeme
      5. 4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen
      6. 4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen
      7. 4.7 Kurze Historie
    3. 5 Clusterverfahren
      1. 5.1 Grundlegende Prinzipien
        1. 5.1.1 Abstand und Metrik
        2. 5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation
      2. 5.2 Umsetzung
        1. 5.2.1 Ablauf eines Clusterverfahrens
        2. 5.2.2 c-Means-Algorithmus
        3. 5.2.3 Fuzzy-c-Means-Algorithmus
        4. 5.2.4 Gustafson-Kessel-Algorithmus
        5. 5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren
        6. 5.2.6 Wahl des Unschärfeparameters
        7. 5.2.7 Verfahrenserweiterungen
    4. 6 Datengetriebene Modellbildung
      1. 6.1 Einführung
      2. 6.2 Lineare Systemidentifikation
        1. 6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren
        2. 6.2.2 Identifikation linearer dynamischer Eingrößenmodelle
        3. 6.2.3 Ablauf einer Identifikation
      3. 6.3 Fuzzy-Modelle
        1. 6.3.1 Statische Fuzzy-Modelle
        2. 6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle
        3. 6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle
    5. 7 Regelung
      1. 7.1 Einführung
      2. 7.2 Mamdani-Fuzzy-Regler
        1. 7.2.1 Fuzzy-P-Regler
        2. 7.2.2 Fuzzy-PI/PD-Regler
        3. 7.2.3 Anmerkungen
      3. 7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler
      4. 7.4 Relationaler Fuzzy-Reglerentwurf
        1. 7.4.1 Reglerentwurf durch Modellinversion
        2. 7.4.2 Fuzzy-Vorsteuerung
      5. 7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler
        1. 7.5.1 Lineare Zustandsmodelle
        2. 7.5.2 Affine Zustandsmodelle
      6. 7.6 Realisierungsaspekte
    6. 8 Anwendungsbeispiele
      1. 8.1 Clusterung mittels Fuzzy-c-Means
        1. 8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen
        2. 8.1.2 Klinische instrumentelle Ganganalyse
      2. 8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem)
      3. 8.3 Fuzzy-Modellbildung
        1. 8.3.1 Kennfläche eines Axialkompressors
        2. 8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage
      4. 8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems
    7. 9 Übungsaufgaben
      1. 9.1 Clusterung einer Objektmenge
      2. 9.2 Mamdani-Fuzzy-Regler
      3. 9.3 Kompensation einer nichtlinearen Ventilkennlinie
      4. 9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess
      5. 9.5 Fuzzy-Kennlinienregler
      6. 9.6 Funktionsapproximation mittels Takagi-Sugeno-Fuzzy-System
  10. Teil III: Künstliche Neuronale Netze
    1. 10 Einleitung
    2. 11 Allgemeine Prinzipien
      1. 11.1 Netzstrukturen und -topologien
        1. 11.1.1 Schichten
        2. 11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze
      2. 11.2 Lernkonzepte
      3. 11.3 Universelle Approximation und Netzstruktur
      4. 11.4 Effizienz und Lösungsqualität von Suchverfahren
      5. 11.5 Kurze Historie
    3. 12 Multi-Layer-Perceptron-(MLP-)Netze
      1. 12.1 Aufbau und Funktionsprinzip eines Neurons
      2. 12.2 Netzaufbau und Übertragungsverhalten
      3. 12.3 Lernverfahren
        1. 12.3.1 Delta-Regel
        2. 12.3.2 Backpropagation-Algorithmus
      4. 12.4 Probleme beim Einsatz des Backpropagation-Verfahrens
      5. 12.5 Erweiterungen des Backpropagation-Verfahrens
      6. 12.6 Mustererkennung mit MLP-Netzen
        1. 12.6.1 Trennflächenform und Ebenenanzahl
        2. 12.6.2 Training des Klassifikators
      7. 12.7 Modellbildung mit MLP-Netzen
      8. 12.8 Modellprädiktive Regelung mit MLP-Netzen
    4. 13 Radiale-Basisfunktionen-Netze
      1. 13.1 Netzaufbau
      2. 13.2 Basisfunktionen
      3. 13.3 Übertragungsverhalten
      4. 13.4 Lernverfahren
        1. 13.4.1 Festlegung von Basen und Formparametern.
        2. 13.4.2 Ermittlung der Gewichte
        3. 13.4.3 Parameteroptimierung
      5. 13.5 Methodische Erweiterungen
    5. 14 Selbstorganisierende (Kohonen-)Karten
      1. 14.1 Netzaufbau und Funktionsprinzip
      2. 14.2 Lernverfahren
    6. 15 Anwendungsbeispiele
      1. 15.1 Kennfläche eines Axialkompressors (MLP)
      2. 15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP)
      3. 15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP)
      4. 15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP)
      5. 15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP)
      6. 15.6 Qualitätskenngrößenvorhersage bei Polymerisation (MLP)
      7. 15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM)
      8. 15.8 Routenplanung/TSP (SOM)
    7. 16 Übungsaufgaben
      1. 16.1 XOR-Funktionsapproximation mittels MLP-Netz
      2. 16.2 Klassifikation mittels MLP-Netzen (1)
      3. 16.3 Klassifikation mittels MLP-Netzen (2)
      4. 16.4 Klassifikation mittels RBF-Netz
      5. 16.5 Funktionsapproximation mittels RBF-Netz
      6. 16.6 Training einer Kohonenkarte
      7. 16.7 Clusterung und Klassifikation mittels Kohonenkarte
  11. Teil IV: Evolutionäre Algorithmen
    1. 17 Allgemeine Prinzipien
      1. 17.1 Einführung
      2. 17.2 Grundidee und -schema Evolutionärer Algorithmen
      3. 17.3 Kurze Historie
    2. 18 Genetische Algorithmen
      1. 18.1 Einführung
      2. 18.2 Problemkodierung
      3. 18.3 Algorithmusablauf
      4. 18.4 Selektion der Elternteile
        1. 18.4.1 Fitnessproportionale Selektion
        2. 18.4.2 Rangbasierte Selektion
        3. 18.4.3 Tournierbasierte Selektion
      5. 18.5 Rekombination durch Cross-over
        1. 18.5.1 Binär kodierte kontinuierliche Probleme
        2. 18.5.2 Reell kodierte kontinuierliche Probleme
        3. 18.5.3 Ganzzahlig oder symbolisch kodierte Probleme
        4. 18.5.4 Permutationsprobleme
      6. 18.6 Mutation
        1. 18.6.1 Binär kodierte kontinuierliche Probleme
        2. 18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme
        3. 18.6.3 Permutationsprobleme
      7. 18.7 Selektion der Überlebenden/Populationsmodelle
      8. 18.8 Abbruchkriterium
      9. 18.9 Erweiterungen/Weiterführendes
      10. 18.10 Illustrierendes Beispiel
    3. 19 Evolutionsstrategien
      1. 19.1 Einführung
      2. 19.2 Problemkodierung
      3. 19.3 Startpopulation
      4. 19.4 Algorithmusablauf
      5. 19.5 Selektion der Elternteile
      6. 19.6 Rekombination
      7. 19.7 Mutation
        1. 19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel
        2. 19.7.2 Einheitliche Mutationsschrittweitenadaption
        3. 19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption
        4. 19.7.4 Separate korrelierte Mutationsschrittweitenadaption.
      8. 19.8 Selektion der Überlebenden/Populationsmodelle
      9. 19.9 Abbruchkriterium
      10. 19.10 Erweiterungen/Weiterführendes
      11. 19.11 Illustrierendes Beispiel
    4. 20 Genetisches Programmieren
    5. 21 Anwendungsbeispiele
      1. 21.1 Formoptimierung eines Rohrkrümmers (ES)
      2. 21.2 Pfadplanung für mobile Roboter (GA)
      3. 21.3 Modellgenerierung für biotechnologische Prozesse (GP)
      4. 21.4 Minimumsuche bei Testfunktionen mittels Matlab TM „Optimization Tool” (GA)
    6. 22 Übungsaufgaben
      1. 22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus
      2. 22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems
      3. 22.3 Formoptimierung mittels Genetischem Algorithmus
      4. 22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus
      5. 22.5 Optimales Rucksackpacken mittels Genetischem Algorithmus
  12. Teil V: Weiterführende Methoden
    1. 23 Hybride CI-Systeme
      1. 23.1 Einführung
      2. 23.2 Neuro-Fuzzy-Systeme
        1. 23.2.1 Methodik
        2. 23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren
      3. 23.3 Evolutionäre Fuzzy-Systeme
        1. 23.3.1 Methodik
        2. 23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel
      4. 23.4 Evolutionäre Neuronale Netze
        1. 23.4.1 Methodik
        2. 23.4.2 Anwendungsbeispiel MLP-Netzoptimierung
      5. 23.5 Evolutionäre Neuro-Fuzzy-Systeme
      6. 23.6 Weiterführende Literatur
    2. 24 Schwarmintelligenz und Künstliche Immunsysteme
      1. 24.1 Einführung
      2. 24.2 Schwarmintelligenz
        1. 24.2.1 Partikelschwarmoptimierung
        2. 24.2.2 Ameisenalgorithmen
        3. 24.2.3 Weiterführende Literatur
      3. 24.3 Künstliche Immunsysteme
        1. 24.3.1 Biologisches Vorbild
        2. 24.3.2 Technische Umsetzung
        3. 24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen
        4. 24.3.4 Weiterführende Literatur
  13. Teil VI: Anhang
    1. 25 Anhang
      1. 25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen
      2. 25.2 Vektor- und Matrizenrechnung
      3. 25.3 Normalverteilung
      4. 25.4 Graphen
      5. 25.5 Herleitung des FCM-Algorithmus
      6. 25.6 Berechnungsprogramme im Bereich der CI
  14. Literatur
  15. Verzeichnis der Anwendungsbeispiele
  16. Index
  17. Fußnoten

Product information

  • Title: Computational Intelligence, 2nd Edition
  • Author(s): Andreas Kroll
  • Release date: January 2016
  • Publisher(s): De Gruyter Oldenbourg
  • ISBN: 9783110402155