Hartmann, Benjamin: Lokale Modellnetze zur Identifikation und Versuchsplanung nichtlinearer Systeme. 2013
Inhalt
- Titel
- Vorwort
- Inhaltsverzeichnis
- Symbole und Abkürzungen
- Kurzfassung
- Abstract
- 1 Einführung
- 2 Nichtlineare Systemidentifikation statischerProzesse
- 2.1 Modelle basierend auf einer Polynomstruktur
- 2.2 Neuronale Netze
- 2.3 Lokale Modellnetze
- 2.4 Zusammenfassung
- 3 Lineare Optimierung lokaler Modellparameter
- 3.1 Bayes’sche Methode
- 3.2 Maximum Likelihood-Verfahren
- 3.3 Gewichtete Least Squares-Schätzung
- 3.4 Explizite Regularisierung
- 3.5 Optimierung der Modellkomplexität
- 3.6 Strukturselektion bei gewichteter lokaler Schätzung
- 3.7 Zusammenfassung
- 4 Nichtlineare Optimierung der Strukturlokaler Modellnetze
- 4.1 Partitionierungsverfahren – Stand der Forschung
- 4.2 Optimierung paralleler Modellstrukturen
- 4.3 Optimierung hierarchischer Modellstrukturen
- 4.4 Komplexitätsoptimierung für Baumkonstruktionsverfahren
- 4.5 Strategie der Strukturabwägung
- 4.6 Vergleich der Partitionierungsverfahren
- 4.7 Zusammenfassung
- 5 Passive und aktive Messdatengewinnung mit HilomotDoE
- 5.1 Statistische Versuchsplanung
- 5.2 Aktives Lernen
- 5.3 Versuchsplanung mit Hilomot-Modellen
- 5.4 Automatisiertes Stoppen einer Messung
- 5.5 Aktives Lernen mit Modellkomitees
- 5.6 Zusammenfassung
- 6 Anwendungen
- 6.1 Structural Health Monitoring
- 6.2 Verbrauchs- und Emissionsmodellierung eines Dieselmotors
- 6.3 Aktive Online-Versuchsplanung am Motorenprüfstand
- 6.4 Zusammenfassung
- 7 Zusammenfassung und Ausblick
- A Support Vector Regression
- B Anmerkungen zur Strukturselektion mit stepwisefit in Matlab
- C Einstellung des Interpolationsverhaltens
- D Zur Robustheit des Hilomot-Algorithmus
- D.1 Empirische Sensitivitätsanalyse bezüglich der Initialwerte
- D.2 Vergleich zur simultanen Optimierung aller Schnitte
- Literaturverzeichnis