Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.

Sliding-Mode-Lernverfahren für neuronale Netzwerke in adaptiven Regelungssystemen

BuchKartoniert, Paperback
195 Seiten
Deutsch
Technische Uni Braunschweig NFLerschienen am01.07.2017Neuauflage
Die vorliegende Arbeit stellt einen Beitrag zur Nutzung von Online-trainierten neuronalenNetzwerken in sicherheitskritischen Regelungssystemen dar. Indem der Trainingsfehlerund dessen Ableitung durch die vorgestellten Verfahren in eine stabile Ruhelage gezwun-gen werden, ist es möglich das Konvergenzverhalten des Netzwerks gezielt zu beeinflussen.Als Resultat dessen, kann das oftmals als Black-Box empfundene Netzwerktraining gegen-über klassischen Methoden transparenter gestaltet werden. Grundlage der vorgestellten Lernverfahren ist die Übertragung ausgewählter Sliding-Mode-Control-Konzepte erster und zweiter Ordnung auf das Training neuronalerNetzwerke. Durch die Verwendung der diesen Ansätzen zu Grunde liegenden Sta-bilitätsbedingungen, kann für die dargestellten Trainingsverfahren eine dynamischeBerechnung der Lernrate umgesetzt werden. Die auf diese Weise realisierbare Überführungder Netzwerkzustände in den asymptotisch stabilen Gleitzustand wird anhand ausge-wählter Trainingsbeispiele demonstriert und hinsichtlich des Konvergenzverhaltens inAbhängigkeit eingeführter Stabilitätsparameter untersucht. Anwendung im Kontext der adaptiven Regelung sicherheitskritischer Systeme finden diedargestellten Trainingsverfahren als Teil einer nichtlinearen dynamischen Inversionsrege-lung. Zur Darstellung der generischen Natur der entwickelten Verfahren werden dabeisowohl ein Flug- als auch ein Fahrzeugregler mit Erweiterung um neuronale Netzwerkeumgesetzt und in nichtlinearen Simulationen untersucht. Dabei unterstreichen die Ergeb-nisse sowohl die im Vergleich zu etablierten Ansätzen erhöhte Konvergenzgeschwindigkeit,als auch die gestiegene Robustheit gegenüber Parameterunsicherheiten und Systemschä-den. In besondere Weise kann die vereinfachte Anwendbarkeit von neuronalen Netzwerkenmit Verwendung der entwickelten Lernverfahren, durch die direkte Übertragbarkeit derTrainingsparameter zwischen den beiden vorgestellten Regelungsanwendungen, gezeigtwerden. Darüber hinaus demonstrieren praktische Fahrversuche die Relevanz von adaptiven Rege-lungssystemen für den Ausgleich auftretender Systemfehler. Dabei wird durch die Unter-suchung des Sliding-Mode-Lernverfahrens sowie dem Vergleich des Inversionsreglers miteinem nicht lernfähigen Regelungskonzept der Vorteil von schnellen und robust trainiertenneuronalen Netzwerken unterstrichen.mehr

Produkt

KlappentextDie vorliegende Arbeit stellt einen Beitrag zur Nutzung von Online-trainierten neuronalenNetzwerken in sicherheitskritischen Regelungssystemen dar. Indem der Trainingsfehlerund dessen Ableitung durch die vorgestellten Verfahren in eine stabile Ruhelage gezwun-gen werden, ist es möglich das Konvergenzverhalten des Netzwerks gezielt zu beeinflussen.Als Resultat dessen, kann das oftmals als Black-Box empfundene Netzwerktraining gegen-über klassischen Methoden transparenter gestaltet werden. Grundlage der vorgestellten Lernverfahren ist die Übertragung ausgewählter Sliding-Mode-Control-Konzepte erster und zweiter Ordnung auf das Training neuronalerNetzwerke. Durch die Verwendung der diesen Ansätzen zu Grunde liegenden Sta-bilitätsbedingungen, kann für die dargestellten Trainingsverfahren eine dynamischeBerechnung der Lernrate umgesetzt werden. Die auf diese Weise realisierbare Überführungder Netzwerkzustände in den asymptotisch stabilen Gleitzustand wird anhand ausge-wählter Trainingsbeispiele demonstriert und hinsichtlich des Konvergenzverhaltens inAbhängigkeit eingeführter Stabilitätsparameter untersucht. Anwendung im Kontext der adaptiven Regelung sicherheitskritischer Systeme finden diedargestellten Trainingsverfahren als Teil einer nichtlinearen dynamischen Inversionsrege-lung. Zur Darstellung der generischen Natur der entwickelten Verfahren werden dabeisowohl ein Flug- als auch ein Fahrzeugregler mit Erweiterung um neuronale Netzwerkeumgesetzt und in nichtlinearen Simulationen untersucht. Dabei unterstreichen die Ergeb-nisse sowohl die im Vergleich zu etablierten Ansätzen erhöhte Konvergenzgeschwindigkeit,als auch die gestiegene Robustheit gegenüber Parameterunsicherheiten und Systemschä-den. In besondere Weise kann die vereinfachte Anwendbarkeit von neuronalen Netzwerkenmit Verwendung der entwickelten Lernverfahren, durch die direkte Übertragbarkeit derTrainingsparameter zwischen den beiden vorgestellten Regelungsanwendungen, gezeigtwerden. Darüber hinaus demonstrieren praktische Fahrversuche die Relevanz von adaptiven Rege-lungssystemen für den Ausgleich auftretender Systemfehler. Dabei wird durch die Unter-suchung des Sliding-Mode-Lernverfahrens sowie dem Vergleich des Inversionsreglers miteinem nicht lernfähigen Regelungskonzept der Vorteil von schnellen und robust trainiertenneuronalen Netzwerken unterstrichen.