<div class="csl-bib-body">
<div class="csl-entry">Jakubek, S., & Keuth, N. (2005). Optimierte Neuro-Fuzzy-Modelle für Auslegungsprozesse und Simulation im Automotive-Bereich. <i>Automatisierungstechnik</i>, <i>53</i>(9), 425–433. https://doi.org/10.1524/auto.2005.53.9.425</div>
</div>
-
dc.identifier.issn
0178-2312
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/174089
-
dc.description.abstract
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.
de
dc.description.abstract
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.
en
dc.description.sponsorship
AVL LIST GMBH
-
dc.language.iso
de
-
dc.publisher
WALTER DE GRUYTER GMBH
-
dc.relation.ispartof
Automatisierungstechnik
-
dc.title
Optimierte Neuro-Fuzzy-Modelle für Auslegungsprozesse und Simulation im Automotive-Bereich
de
dc.type
Artikel
de
dc.type
Article
en
dc.contributor.affiliation
AVL List GmbH, Graz, Austria
-
dc.description.startpage
425
-
dc.description.endpage
433
-
dc.type.category
Original Research Article
-
tuw.container.volume
53
-
tuw.container.issue
9
-
tuw.journal.peerreviewed
true
-
tuw.peerreviewed
true
-
tuw.project.title
AMOV - Adaptive models and optimization of compustion engines with the help of simulation software
-
dcterms.isPartOf.title
Automatisierungstechnik
-
tuw.publication.orgunit
E325-04 - Forschungsbereich Regelungstechnik und Prozessautomatisierung
-
tuw.publisher.doi
10.1524/auto.2005.53.9.425
-
dc.identifier.eissn
2196-677X
-
dc.description.numberOfPages
9
-
wb.sci
true
-
wb.sciencebranch
Maschinenbau, Instrumentenbau
-
wb.sciencebranch.oefos
22
-
item.fulltext
no Fulltext
-
item.cerifentitytype
Publications
-
item.openairecristype
http://purl.org/coar/resource_type/c_2df8fbb1
-
item.languageiso639-1
de
-
item.openairetype
research article
-
item.grantfulltext
restricted
-
crisitem.author.dept
E325 - Institut für Mechanik und Mechatronik
-
crisitem.author.parentorg
E300 - Fakultät für Maschinenwesen und Betriebswissenschaften