Stand der Entwicklungstendenzen von Neuro-Fuzzy-Systemen und Anwendungen

Diplomarbeit, 2009
80 Seiten, Note: 1,7

Leseprobe

Inhaltsverzeichnis

Einleitung
- Motivation
- Zielsetzung der Arbeit
- Aufbau der Arbeit
Grundlagen von Neuro-Fuzzy
- Grundidee von Neuro-Fuzzy-Systemen
- Integration von Fuzzy-Logik und Neuronalen Netzen
Neuro-Fuzzy-Systeme
- Fuzzifizierte Neuronale Netze
- Gleichberechtigte Neuro-Fuzzy-Modelle
- Kooperative Neuro-Fuzzy-Systeme
  - Fuzzy-Assoziativspeicher
  - Interpretation der Lernergebnisse
  - Adaptive Bestimmung von Fuzzy-Mengen
- Hybride Neuro-Fuzzy-Systeme
  - Neural Network Driven Fuzzy Reasoning (NNDFR)
  - Adaptive-Network-based Fuzzy Inference System (ANFIS)
  - Approximate Reasoning based Intelligent Control (ARIC)
  - Generalized ARIC (GARIC)
  - Neural Fuzzy Controller (NEFCON)
  - Neuro Fuzzy Classification (NEFCLASS)
  - Neuro Fuzzy Function Approximation (NEFPROX)
Neuro-Fuzzy-Anwendungen
- Explorative Datenanalyse
- Unternehmenskrisenmanagement
  - Bestandsfestigkeit von Unternehmen
  - Unternehmenssanierung
- Verkehrsmanagement
  - Verkehrsprognose
  - Verkehrssteuerung
- Umwelttechnologien
  - Betriebsoptimierung von Kläranlagen
  - Optimierung der Zellstoffkochung
- Industrie und Technik
  - Robotersteuerung
  - Schadensdiagnose bei Abwasserkanälen
Entwicklungstendenzen
Diskussion und Ausblick
Literaturverzeichnis

Zielsetzung und Themenschwerpunkte

Die Diplomarbeit zielt darauf ab, einen aktuellen und umfassenden Überblick über Neuro-Fuzzy-Systeme zu liefern. Die Arbeit konzentriert sich auf die Entwicklungstendenzen dieser Systeme und zeigt deren praktische Relevanz anhand von Beispielen aus der Wirtschaftswissenschaft.

Die Kombination von Fuzzy-Logik und Neuronalen Netzen
Die verschiedenen Arten der Kopplung von Fuzzy-Systemen und Neuronalen Netzen
Die gängigsten Neuro-Fuzzy-Ansätze aus der Literatur
Die Einsatzmöglichkeiten von Neuro-Fuzzy-Systemen in der Praxis
Die Entwicklungstendenzen von Neuro-Fuzzy-Systemen

Zusammenfassung der Kapitel

Das zweite Kapitel der Arbeit behandelt die Grundlagen von Neuro-Fuzzy. Es erläutert die Grundidee der Neuro-Fuzzy-Systeme und erklärt, wie sich Fuzzy-Systeme und Neuronale Netze miteinander kombinieren lassen.

Im dritten Kapitel werden die Neuro-Fuzzy-Systeme nach der Art ihrer Kopplung in kooperative und hybride Systeme unterschieden. Es werden die gängigsten Neuro-Fuzzy-Ansätze aus der Literatur vorgestellt, darunter der Fuzzy-Assoziativspeicher von Kosko, der Ansatz von Pedrycz/Card zur Interpretation des Lernergebnisses mittels selbstorganisierenden Karten, der Ansatz von Nomura zur Bestimmung von Fuzzy-Mengen sowie die Modelle NNDFR, ANFIS, ARIC, GARIC, NEFCON, NEFCLASS und NEFPROX.

Das vierte Kapitel zeigt die Einsatzmöglichkeiten von Neuro-Fuzzy-Systemen in der Praxis auf. Es werden Anwendungen in der explorativen Datenanalyse, im Unternehmenskrisenmanagement, im Verkehrsmanagement, in den Umwelttechnologien sowie in der Industrie und Technik vorgestellt.

Schlüsselwörter

Die Schlüsselwörter und Schwerpunktthemen des Textes umfassen Neuro-Fuzzy-Systeme, Fuzzy-Logik, Neuronale Netze, kooperative Neuro-Fuzzy-Systeme, hybride Neuro-Fuzzy-Systeme, Fuzzy-Assoziativspeicher, selbstorganisierende Karten, NNDFR, ANFIS, ARIC, GARIC, NEFCON, NEFCLASS, NEFPROX, explorative Datenanalyse, Unternehmenskrisenmanagement, Verkehrsmanagement, Umwelttechnologien, Industrie und Technik, Robotersteuerung, Schadensdiagnose.

Häufig gestellte Fragen

Was sind Neuro-Fuzzy-Systeme?

Diese Systeme kombinieren die kognitiven Lernfähigkeiten Neuronaler Netze mit der Fähigkeit der Fuzzy-Logik, unscharfe Begriffe wie „viel“ oder „wenig“ mathematisch zu modellieren.

Was ist der Unterschied zwischen kooperativen und hybriden Systemen?

In kooperativen Systemen bestimmt ein neuronales Netz Parameter für ein Fuzzy-System, während hybride Systeme beide Methoden so eng verknüpfen, dass sie als einheitliches Modell agieren (z.B. ANFIS).

Wo werden Neuro-Fuzzy-Systeme in der Wirtschaft eingesetzt?

Anwendungsgebiete sind unter anderem das Unternehmenskrisenmanagement (Sanierungsprognosen), die explorative Datenanalyse und das Verkehrsmanagement.

Welche Rolle spielen diese Systeme in der Industrie?

Sie werden zur Robotersteuerung, zur Schadensdiagnose (z.B. bei Abwasserkanälen) und zur Betriebsoptimierung von Kläranlagen genutzt.

Was ist das ANFIS-Modell?

ANFIS steht für Adaptive-Network-based Fuzzy Inference System und ist einer der gängigsten hybriden Ansätze zur Modellierung komplexer Funktionen.

Können Neuro-Fuzzy-Systeme menschliche Entscheidungsmuster nachahmen?

Ja, das Ziel dieser Systeme ist es, komplexe Probleme ohne Kenntnis formaler mathematischer Modelle allein durch das Nachahmen menschlicher Denkweisen zu lösen.

Ende der Leseprobe aus 80 Seiten - nach oben

Details

Titel: Stand der Entwicklungstendenzen von Neuro-Fuzzy-Systemen und Anwendungen
Hochschule: Martin-Luther-Universität Halle-Wittenberg (Institut für Wirtschaftsinformatik)
Note: 1,7
Autor: Alexander Winterstein (Autor:in)
Erscheinungsjahr: 2009
Seiten: 80
Katalognummer: V178905
ISBN (eBook): 9783656012016
ISBN (Buch): 9783656012153
Dateigröße: 705 KB
Sprache: Deutsch
Anmerkungen
Schlagworte: Neuronale Netze Fuzzy-Logik Neuro-Fuzzy-Systeme Anwendungen Wirtschaftsinformatik Entwicklungstendenzen Grundlagen Methoden Neuro Fuzzy Neuro-Fuzzy Soft-Computing
Produktsicherheit: GRIN Publishing GmbH
Preis (Ebook): US$ 34,99
Preis (Book): US$ 55,99

Arbeit zitieren: Alexander Winterstein (Autor:in), 2009, Stand der Entwicklungstendenzen von Neuro-Fuzzy-Systemen und Anwendungen, München, Page::Imprint:: GRINVerlagOHG, https://www.diplomarbeiten24.de/document/178905