[Zurück]


Zeitschriftenartikel:

S. Jakubek, N. Keuth:
"Optimierte Neuro-Fuzzy-Modelle für Auslegungsprozesse und Simulation im Automotive-Bereich";
Automatisierungstechnik (at), 53 (2005), 9; S. 425 - 433.



Kurzfassung deutsch:
Dieser Artikel beschreibt einen neuen iterativen Partitionierungsalgorithmus für lokale
Neuro-Fuzzy-Modelle. Der Algorithmus zielt darauf ab, datenbasierte Modelle aus dünnbesetzten
Eingangsräumen, wie sie im Automotive-Bereich häufig auftreten, zu generieren. Der
Gültigkeitsbereich jedes lokalen Neuro-Fuzzy-Modells wird dabei unter Anwendung statistischer
Kriterien und Regularisierung an die vorhandenen Daten angepasst. Ausdehnung und
Orientierung jedes lokalen Modells orientieren sich auch derart an den vorhandenen Trainingsdaten,
dass die Bestimmung der Regressionsparameter ein gut konditioniertes Problem
darstellt. Die Regularisierung des Modells kann durch den Benutzer mittels eines Parameters
gut konditioniert werden.
Um die Qualität und Sicherheit des erstellten Modells beurteilen zu können, wird zusätzlich
eine Modellstatistik berechnet. Mehrere Beispiele aus der Praxiserprobung bzw. aus einem
Pilotprojekt beschreiben die Effizienz des vorgestellten Algorithmus.

Kurzfassung englisch:
In this paper a new iterative partitioning algorithm for local model networks is presented.
The algorithm is focussed on building models with sparsely distributed data as they occur
in engine optimization processes. The validity function of each local model is fitted to the
available data using statistical criteria along with regularisation. The orientation and extent
of each validity function is also adapted to the available training data such that the determination
of the local regression parameters is a well posed problem. The regularisation of the
model can be controlled by the user in a distinct manner by one parameter. In order to assess
the quality of the obtained model the algorithm also provides model statistics. Different
examples from practical applications illustrate the efficiency of the proposed algorithm.


Elektronische Version der Publikation:
http://publik.tuwien.ac.at/files/pub-mb_4366.pdf



Zugeordnete Projekte:
Projektleitung Hanns Peter Jörgl:
AMOV - Adaptive Modellbildung u. Optimierung von Verbrennungsmotoren unter Einbindung von Simulationsprogrammen (KE 2009 offen)


Erstellt aus der Publikationsdatenbank der Technischen Universität Wien.