Neue Methoden für die dynamische Identifikation mit Neuro-Fuzzy Netzen

Abstract

Dieser Artikel behandelt die Identifikation nichtlinearer dynamischer Prozesse mit lokalen Neuro-Fuzzy Netzen. Diese bieten den Vorteil, dass aufgrund ihrer Architektur die M¨oglichkeit besteht, Prozesswissen bei der Modellbildung miteinzubinden. Es werden L¨osungsans¨atze f¨ur zwei wesentliche Problemstellungen der dynamischen Identifikation pr¨asentiert: Einerseits wird die Problematik verrauschter Ein- und Ausgangsdaten behandelt, die bei der Parameterbestimmung mit herk¨ommlichen Regressionsmethoden zu biasbehafteten Resultaten f¨uhrt. Als L¨osungsweg wird die Total Least Squares Methode vorgestellt, und f¨ur die Anwendung in lokalen Neuro-Fuzzy Netzen adaptiert. Andererseits wird eine Methode vorgestellt, mit der die Einhaltung von Station¨arpunkten erzwungen werden kann, was wesentlich zur Verbesserung der station¨aren Genauigkeit des Modells beitr¨agt. Resultate aus einem Praxisbeispiel illustrieren die Anwendbarkeit beider Konzepte.

This article deals with the identification of nonlinear dynamic processes with local Neuro-Fuzzy networks. These networks have the advantage that their architecture offers the possibility to incorporate in-depth process know-how into the modeling procedure. The article presents solution approaches for two major issues in dynamic identification: First, the problem of noisy input- and output data is treated, which causes biased parameters when conventional regression techniques are applied. As a possible solution, the concept of Total Least Squares is presented and adapted for application in local Neuro Fuzzy Networks. Second, a method for the enforcement of stationary gains is presented that significantly improves the model precision during steady-state phases. Results from a practical example illustrate the applicability of both concepts.