Buch, Englisch, 786 Seiten, Format (B × H): 160 mm x 241 mm, Gewicht: 1361 g
From Classical Approaches to Neural Networks and Fuzzy Models
Buch, Englisch, 786 Seiten, Format (B × H): 160 mm x 241 mm, Gewicht: 1361 g
ISBN: 978-3-540-67369-9
Verlag: Springer
Written from an engineering point of view, this book covers the most common and important approaches for the identification of nonlinear static and dynamic systems. The book also provides the reader with the necessary background on optimization techniques, making it fully self-contained. The new edition includes exercises.
Zielgruppe
Graduate
Autoren/Hrsg.
Fachgebiete
- Mathematik | Informatik Mathematik Mathematik Interdisziplinär Systemtheorie
- Technische Wissenschaften Elektronik | Nachrichtentechnik Nachrichten- und Kommunikationstechnik Regelungstechnik
- Interdisziplinäres Wissenschaften Wissenschaften: Forschung und Information Kybernetik, Systemtheorie, Komplexe Systeme
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Neuronale Netzwerke
- Mathematik | Informatik Mathematik Numerik und Wissenschaftliches Rechnen Numerische Mathematik
- Mathematik | Informatik EDV | Informatik Informatik Berechenbarkeitstheorie, Komplexitätstheorie
- Technische Wissenschaften Technik Allgemein Mess- und Automatisierungstechnik
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Fuzzy-Systeme
- Technische Wissenschaften Technik Allgemein Mathematik für Ingenieure
Weitere Infos & Material
1. Introduction.- I. Optimization Techniques.- 2. Introduction to Optimization.- 3. Linear Optimization.- 4. Nonlinear Local Optimization.- 5. Nonlinear Global Optimization.- 6. Unsupervised Learning Techniques.- 7. Model Complexity Optimization.- II. Static Models.- 9. Introduction to Static Models.- 10. Linear, Polynomial, and Look-Up Table Models.- 11. Neural Networks.- 12. Fuzzy and Neuro-Fuzzy Models.- 13. Local Linear Neuro-Fuzzy Models: Fundamentals.- 14. Local Linear Neuro-Fuzzy Models: Advanced Aspects.- III. Dynamic Models.- 16. Linear Dynamic System Identification.- 17. Nonlinear Dynamic System Identification.- 18. Classical Polynomial Approaches.- 19. Dynamic Neural and Fuzzy Models.- 20. Dynamic Local Linear Neuro-Fuzzy Models.- 21. Neural Networks with Internal Dynamics.- IV. Applications.- 22. Applications of Static Models.- 23. Applications of Dynamic Models.- 24. Applications of Advanced Methods.- A. Vectors and Matrices.- A.1 Vector and Matrix Derivatives.- A.2 Gradient, Hessian, and Jacobian.- B. Statistics.- B.1 Deterministic and Random Variables.- B.2 Probability Density Function (pdf).- B.3 Stochastic Processes and Ergodicity.- B.4 Expectation.- B.5 Variance.- B.6 Correlation and Covariance.- B.7 Properties of Estimators.- References.
