Zusammenfassung
Dieser Beitrag berichtet über den Einsatz neuronaler Netzwerke als adaptive Regler. An einem linearen System dritter Ordnung mit Totzeit wird demonstriert, daß ein neuronales Netzwerk in der Lage ist, eine Regelstrecke, über die nur minimales qualitatives Wissen vorliegt, selbständig zu identifizieren und zu regeln. Das Training wird mit dem weit verbreiteten BackpropagationAlgorithmus durchgeführt. Die Regelstrecke wird dabei als Teilnetz interpretiert, dessen Verbindungsgewichte nicht verändert werden können.
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.
Literatur
Barto. 1983 Barto A.G., Sutton R.S., Anderson C.W.: Neuronlike Adaptive Elements that can Solve Difficult Learning Control Problem., IEEE Transactions on Systems, Man and Cybernetics, Vol. SMC-13, No. 5, pp. 834–846
Barto, 1987 Barto A. G.: An Approach to Learning Control Surfaces by Connectionist System. in: Arbib M.A.: Vision, Brain, and Cooperative Computatio., MIT Press, Cambridge, Massachusetts, London, pp. 665–701
Chan, 1987 Chan L. W., Fallside F.: An adaptive training algorithm for back propagation network., Computer Speech and Language, Cambridge, pp. 205–218, 1987
Ersü 1982 Ersü E., Militzer J.: Software Implementation of a Neuron-Like Associative Memory System for Control Application., Proceedings of the second IASTED Conf. on Mini- and Micro-Computer Applications, Davos
Ersü 1983 Ersü E., Mao X.: Control of pH by Use of a Self-Organizing Concept with Associative Memorie. ACI’83, Copenhagen
Ersü 1988 Ersü E., Tolle H.: Learning Control Structures with Neuron-Like Associative Memory System. in: Seelen, W. et. al.: Organization of Neural Networks, Structures and Model., VCH- Verlagsgesellschaft Weinheim
Hornik, 1989 Hornik K.: Multilayer Feedforward Networks are Universal Approximator., Neural Networks, Vol. 2, pp. 359–366
Jacobs, 1988 Jacobs R.A.: Increased Rates of Convergence Through Learning Rate Adaptatio., Neural Networks, Vol.I, Pergamon Press, pp. 295–307, 1988
Psaltis, 1987 Psaltis d., Sideris A., Yamamura A.: Neural Controller., Proceedings of the first ICNN, Vol. 4, San Diego, pp. 551–558
Rumelhart, 1986 Rumalhart D.E., Hinton G.E., Williams R.J.: Learning internal representations by error propagatio., Parallel Distributed Processing: Explorations in the Microstructures of Cognition, Vol.I, MIT Press, pp. 318–362, 1986
Saerens, 1989 Saerens M., Soquet A.: Neural Controller Based on Backpropagation Algorith., Proceedings of the first IEEE International Conference on Artificial Neural Networks, London
Silva, 1990 Silva F.M., Almeida L.B.: Speeding up Backpropagatio., Advanced Neural Computers, North- Holland, 1990
Tolle, 1989 Tolle H., Militzer J., Ersü E.: Zur Leistunsgfähigkeit lokal verallgemeinernder assoziativer Speicher und ihrem Einsatzmöglichkeiten in lernenden Regelunge., msr. Berlin 32 (1989) 3
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1992 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Schiffmann, W.H. (1992). Adaptive Regelung eines linearen zeitinvarianten Systems dritter Ordnung mit Totzeit durch ein neuronales Netzwerk. In: Krönig, D., Lang, M. (eds) Physik und Informatik — Informatik und Physik. Informatik-Fachberichte, vol 306. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-77382-2_4
Download citation
DOI: https://doi.org/10.1007/978-3-642-77382-2_4
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-55298-7
Online ISBN: 978-3-642-77382-2
eBook Packages: Springer Book Archive