Die Begriffe "Neuronale Netzwerke" und "Fuzzy Logic" erobern seit geraumer Zeit viele Bereiche der Technik. Durch Kombination lassen sich die Vorteile beider Methoden miteinander verknüpfen. Es entstehen lernfähige Verfahren, deren Entscheidungswege und Funktionalität einfach nachvollziehbar und interpretierbar sind. Ziel des Buches ist es, die grundlegenden Kenntnisse in der notwendigen Tiefe zu vermitteln. Das Buch ist gleichzeitig eine wichtige Orientierungshilfe für Studenten und Anwender in den Bereichen Technik und Naturwissenschaften. Im einzelnen geht es um die Grundlagen der Fuzzy Logic und der Neuronalen Netzwerke, aktuell eingesetzte Neuro-Fuzzy-Methoden sowie Anwendungen und Realisierungen in der Praxis.

Klappentext

Inhalt
1 Einführung.- 1.1 Fuzzy-Inferenzmethoden.- 1.2 Künstliche Neuronale Netzwerke.- 1.3 Neuro-Fuzzy-Methoden.- 2 Fuzzy-Methoden.- 2.1 Grundideen.- 2.1.1 Unscharfe Mengen.- 2.1.2 Operationen auf unscharfen Mengen.- 2.1.3 Linguistische Variablen.- 2.1.4 Unscharfe Zahlen und das Erweiterungsgesetz.- 2.1.5 Unscharfe Relationen.- 2.2 Übertragungsverhalten von Fuzzy-Systemen.- 2.2.1 Fuzzy-Systeme als Approximatoren.- 2.2.2 Eingangskodierung (Fuzzifikation).- 2.2.3 Fuzzy-Inferenz durch Approximatives Schließen.- 2.2.4 Ausgangskodierung (Defuzzifikation).- 2.2.5 Versteckte Variablen.- 2.2.6 Automatische Adaption.- 2.3 Anwendungsbeispiele.- 2.3.1 Klassifikation.- 2.3.2 Reglerentwurf.- 3 Künstliche Neuronale Netzwerke.- 3.1 Biologisches Vorbild.- 3.1.1 Neuronen.- 3.1.2 Neuronenverbände.- 3.1.3 Funktionsweise des menschlichen Gehirns.- 3.1.4 Signalverarbeitung in der Retina.- 3.2 Grundideen Künstlicher Neuronaler Netzwerke.- 3.2.1 Netzwerktopologie.- 3.2.2 Lernverfahren.- 3.2.3 Stabilitäts-Plastizitäts-Dilemma.- 3.3 Neuronenmodelle.- 3.3.1 Adaptive Linearkombination (Adaline).- 3.3.2 Lineares Schwellwert-Gatter (LSG).- 3.3.3 Schwellwertfunktionen.- 3.3.4 Sigma-Pi-Neuronenmodell.- 3.3.5 Polynomiales Schwellwertgatter.- 3.3.6 Stochastisches Schwellwertgatter.- 3.3.7 Neuronenfelder.- 3.3.8 Fuzzy-Neuronenmodell.- 3.4 Einschichtige Künstliche Neuronale Netzwerke.- 3.4.1 Fehlerkorrektur-Lernregeln fir einzelne Zellen.- 3.4.2 Gradientenabstiegs-Lemregeln fir einzelne Zellen.- 3.4.3 Bestärkendes Lernen fiir einzelne Zellen.- 3.4.4 Unüberwachtes Lernen.- 3.4.5 Wettbewerbslernen.- 3.4.6 Lernende Vektorquantisierung (LVQ).- 3.4.7 Selbstorganisierende Karten (SOM).- 3.5 Mehrschichtige Künstliche Neuronale Netzwerke.- 3.5.1 Assoziativspeicher.- 3.5.2 Adaptive Resonanztheorie (ART).- 3.5.3 Radialbasisfunktions-Netzwerke (RBFN).- 3.5.4 Fehler-Backpropagation fir mehrschichtige vorwärtsgerichtete KNN.- 3.5.5 Maßnahmen zur Verbesserung des Lernalgorithmus.- 3.5.6 Time-Delay-Neuronale-Netzwerke (TDNN).- 3.5.7 Globale Minimierung der KNN-Komplexität.- 3.6 Anwendungsbeispiele.- 3.6.1 NETtalk.- 3.6.2 NETface.- 3.6.3 Glove-Talk.- 4 Fuzzy-Methoden Und Künstliche Neuronale Netzwerke.- 4.1 Optimierung der Zugehörigkeitsfunktionen.- 4.2 Bestimmung von Fuzzy-Regeln.- 5 Hybride Neuro-Fuzzy-Methoden.- 5.1 Fuzzy-Lemende Vektorquantisierung (FLVQ).- 5.2 Fuzzy-Kohonen-Clustering-Netzwerk (FKCN).- 5.3 Fuzzy ART and Fuzzy ARTMAP.- 5.4 Neural Network-based Fuzzy Logic Control (NNFLC).- 5.5 Adaptive-network-based Fuzzy Inference System (ANFIS).- 5.6 Neural Network-driven Fuzzy Reasoning (NNDFR).- 5.7 Generalized Approximative Reasoning-based Intelligent Control (GARIC).- 5.8 FUzzy Net (FUN).- 5.9 NEural Fuzzy CONtroller (NEFCON).- 6 Fuzzy-Neuronale Netzwerke.- 7 Genetische Algorithmen.- Anhang: Iris-Datensatz.- Symbole und Abkürzungen.