Zusammenfassung
Im Kapitel 4 werden die grundlegenden Lerngesetze besprochen. Vorgestellt werden das Gradientenabstiegs-Verfahren, der Backpropagation-Algorithmus und die Least-Squares-Verfahren. Diese Verfahren können sowohl zur Identifikation von Nichtlinearitäten alleine als auch von Nichtlinearitäten in dynamischen Systemen eingesetzt werden. Bei der Identifikation von Nichtlinearitäten in dynamischen Systemen sind allerdings die Fehlermodelle zu beachten, und es ist zu bedenken, dass die Least-Squares-Verfahren nur dann eingesetzt werden dürfen, wenn der Modellausgang der Strecke linear in den Parametern ist. Die letzte Einschränkung muss bei den beiden anderen Verfahren nicht beachtet werden. Beispiele ergänzen die theoretischen Abhandlungen. Mächtigere Lernverfahren werden in den späteren Kapiteln des Buchs behandelt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2017 Springer-Verlag GmbH Deutschland
About this chapter
Cite this chapter
Schröder, D., Buss, M. (2017). Lernen bei statischer Funktionsapproximation. In: Intelligente Verfahren. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-55327-5_4
Download citation
DOI: https://doi.org/10.1007/978-3-662-55327-5_4
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-55326-8
Online ISBN: 978-3-662-55327-5
eBook Packages: Computer Science and Engineering (German Language)