In der Wirtschaft werden seit vielen Jahren computergestützte Systeme
zur Entscheidungsfindung eingesetzt. Die komplexe Umwelt des Menschen erschwert es allerdings, alle Entscheidungen in nur zwei Kategorien einzuordnen. Gerade für die Computerunterstützung ergeben sich dadurch neue Herausforderungen. Können die Handlungen, Denkweisen und Entscheidungsmuster des Menschen nachgeahmt werden, lassen sich damit auch komplexe Probleme lösen, ohne Kenntnis der formalen Modelle.
In der Forschung haben sich in dieser Richtung zwei Bereiche herauskristallisiert. Zum einen sind das die künstlichen Neuronalen Netze, mit denen versucht wird, kognitive Leistungen des Menschen nachzubilden. Zum anderen ist das die Fuzzy Logik, mit der unscharfe Begriffe aus dem menschlichen Alltag wie „wenig“, „sehr“ oder „viel“ modelliert werden können. Die Verknüpfung dieser beiden Methoden hat sich unter Neuro-Fuzzy etablieren können.
Diese Arbeit verfolgt das Ziel, einen aktuellen und umfassenden Überblick über die Thematik der Neuro-Fuzzy-Systeme zu liefern. Dabei wird auf die Theorie der Neuronalen Netze und der Fuzzy Logik nicht weiter eingegangen, sondern auf die einschlägige Literatur verwiesen. Der Fokus liegt allein auf den Neuro-Fuzzy-Systemen und deren Entwicklungstendenzen. Das heißt zum einen, dass die theoretischen Konzepte aus der Literatur vorgestellt werden und verlangt zum anderen, dass die praktische Relevanz anhand ausgewählter Beispiele aus wirtschaftswissenschaftlicher Sicht aufgezeigt wird.
Im 2. Kapitel dieser Arbeit werden die Grundlagen von Neuro-Fuzzy umrissen, welchen Konzepten sie zugrunde liegt und wie sich Neuronale Netze und Fuzzy-Systeme miteinander kombinieren lassen. Darauf aufbauend werden im 3. Kapitel die Neuro-Fuzzy-Systeme nach der Art ihrer Kopplung in kooperative und hybride Systeme unterschieden und die gängigsten Neuro-Fuzzy-Ansätze aus der Literatur vorgestellt. Die Einsatzmöglichkeiten von Neuro-Fuzzy-Systemen in der Praxis werden im 4. Kapitel aufgezeigt. Dazu werden Anwendungen in der explorativen Datenanalyse, im Unternehmenskrisenmanagement, im Verkehrsmanagement, in den Umwelttechnologien sowie in der Industrie und Technik angeführt, da in diesen Bereichen häufig Neuro-Fuzzy-Methoden eingesetzt werden. Es gibt überdies noch weitere Anwendungsgebiete, wie etwa die Medizin5, die jedoch nicht im Fokus dieser Arbeit stehen. Im 5. Kapitel werden anhand der theoretischen Überlegungen aus Kapitel 3 und den praktischen Umsetzungen...
Inhaltsverzeichnis
1 Einleitung
1.1 Motivation
1.2 Zielsetzung der Arbeit
1.3 Aufbau der Arbeit
2 Grundlagen von Neuro-Fuzzy
2.1 Grundidee von Neuro-Fuzzy-Systemen
2.2 Integration von Fuzzy-Logik und Neuronalen Netzen
3. Neuro-Fuzzy-Systeme
3.1 Fuzzifizierte Neuronale Netze
3.2 Gleichberechtigte Neuro-Fuzzy-Modelle
3.3 Kooperative Neuro-Fuzzy-Systeme
3.3.1 Fuzzy-Assoziativspeicher
3.3.2 Interpretation der Lernergebnisse
3.3.3 Adaptive Bestimmung von Fuzzy-Mengen
3.4 Hybride Neuro-Fuzzy-Systeme
3.4.1 Neural Network Driven Fuzzy Reasoning (NNDFR)
3.4.2 Adaptive-Network-based Fuzzy Inference System (ANFIS)
3.4.3 Approximate Reasoning based Intelligent Control (ARIC)
3.4.4 Generalized ARIC (GARIC)
3.4.5 Neural Fuzzy Controller (NEFCON)
3.4.6 Neuro Fuzzy Classification (NEFCLASS)
3.4.7 Neuro Fuzzy Function Approximation (NEFPROX)
4 Neuro-Fuzzy-Anwendungen
4.1 Explorative Datenanalyse
4.2 Unternehmenskrisenmanagement
4.2.1 Bestandsfestigkeit von Unternehmen
4.2.2 Unternehmenssanierung
4.3 Verkehrsmanagement
4.3.1 Verkehrsprognose
4.3.2 Verkehrssteuerung
4.4 Umwelttechnologien
4.4.1 Betriebsoptimierung von Kläranlagen
4.4.2 Optimierung der Zellstoffkochung
4.5 Industrie und Technik
4.5.1 Robotersteuerung
4.5.2 Schadensdiagnose bei Abwasserkanälen
5 Entwicklungstendenzen
6 Diskussion und Ausblick
Zielsetzung & Themen
Die Diplomarbeit liefert einen umfassenden Überblick über Neuro-Fuzzy-Systeme, deren theoretische Grundlagen, verschiedene Kopplungsansätze sowie deren praktische Einsatzmöglichkeiten in unterschiedlichen wirtschaftlichen und technischen Anwendungsfeldern.
- Grundlagen der Verknüpfung von Fuzzy-Logik und Neuronalen Netzen
- Klassifizierung in kooperative und hybride Neuro-Fuzzy-Systeme
- Anwendung in der explorativen Datenanalyse und beim Unternehmenskrisenmanagement
- Einsatzmöglichkeiten im Verkehrsmanagement und in Umwelttechnologien
- Integration in Industrie, Technik und Robotersteuerung
Auszug aus dem Buch
3.4.1 Neural Network Driven Fuzzy Reasoning (NNDFR)
Das NNDFR-Modell (Neural Network Driven Fuzzy Reasoning) wurde von Takagi/Hayashi60 (1989) zur Klassifikation und Beurteilung von Zuständen entwickelt.61 Bereits beim Netzwerkentwurf sollen mögliche a-priori unbekannte Abhängigkeiten zwischen den Eingangsvariablen mit berücksichtigt werden.62
Die Architektur in Abbildung 5 besteht aus n Regeln und n+1 vorwärtsgerichteten mehrschichtigen Perzeptron-Netzen. Die MLP (Multi-Layer Perceptron) bestehen aus je zwei verdeckten Schichten und besitzen eine sigmoide Transferfunktion. Die Regeln werden durch die n MLP repräsentiert, das n+1te MLP (MLPmem) fungiert für das überwachte Lernen als Kritiker. Dessen Outputs wi stellen den jeweiligen Erfüllungsgrad einer Regel dar.63
Das Training läuft in den folgenden Schritten ab:
1) Die Eingangs- und Ausgangsgrößen werden identifiziert. Aus Beispieldaten wird eine Lernaufgabe erzeugt. Damit wird ein normales MLP mittels Backpropagation trainiert, es reduziert die Eingangsgrößen auf m relevante.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung motiviert die Arbeit und definiert die Zielsetzung, einen Überblick über Neuro-Fuzzy-Systeme und deren Entwicklungstendenzen zu geben.
2 Grundlagen von Neuro-Fuzzy: Dieses Kapitel erläutert die Grundidee und die Integrationsmöglichkeiten von Fuzzy-Systemen und Neuronalen Netzen in ein Neuro-Fuzzy-System.
3. Neuro-Fuzzy-Systeme: Hier werden die Neuro-Fuzzy-Systeme nach ihrer Kopplungsart in kooperative und hybride Systeme unterteilt und gängige Ansätze aus der Literatur vorgestellt.
4 Neuro-Fuzzy-Anwendungen: Dieses Kapitel veranschaulicht die praktischen Einsatzmöglichkeiten in der Datenanalyse, dem Unternehmenskrisenmanagement, dem Verkehrsmanagement sowie in Umwelttechnologien und der Industrie.
5 Entwicklungstendenzen: Es werden die bisherigen Entwicklungsmöglichkeiten auf Basis theoretischer und praktischer Überlegungen zusammengefasst.
6 Diskussion und Ausblick: Das abschließende Kapitel fasst die Ergebnisse der Diplomarbeit zusammen und gibt einen Ausblick auf die künftige Bedeutung dieser Methoden.
Schlüsselwörter
Neuro-Fuzzy, Neuronale Netze, Fuzzy-Logik, Soft Computing, Wissensentdeckung, Datenanalyse, Unternehmenskrisenmanagement, Verkehrsmanagement, Umwelttechnologie, Industrie, Robotersteuerung, Hybride Systeme, Kooperative Systeme, Modellierung, Expertenverhalten
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Diplomarbeit befasst sich mit dem Stand der Entwicklungstendenzen von Neuro-Fuzzy-Systemen sowie deren praktischen Anwendungsfeldern.
Was sind die zentralen Themenfelder der Arbeit?
Die Schwerpunkte liegen auf den Grundlagen, der Systemklassifizierung (kooperativ vs. hybrid) und der Anwendung in Wirtschaft und Technik.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist ein aktueller und umfassender Überblick über die Thematik der Neuro-Fuzzy-Systeme unter Fokus auf ihre Entwicklungstendenzen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit basiert auf einer fundierten Literaturanalyse und einer systematischen Vorstellung praktischer Anwendungsbeispiele aus verschiedenen Branchen.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil werden zunächst die theoretischen Konzepte und Architekturen (kooperativ/hybrid) erläutert und anschließend anhand konkreter Praxisbeispiele, wie etwa der Kläranlagenoptimierung oder Robotersteuerung, veranschaulicht.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den prägenden Begriffen gehören Neuro-Fuzzy, Soft Computing, wissensbasierte Systeme, Lernalgorithmen, Klassifikation und Systemoptimierung.
Wie unterscheidet sich das NNDFR-Modell von anderen Ansätzen?
Das NNDFR-Modell verwendet mehrere vorwärtsgerichtete mehrschichtige Perzeptron-Netze, wobei ein zusätzliches MLP als Kritiker fungiert, um Abhängigkeiten zwischen Eingangsvariablen zu berücksichtigen.
Warum ist das Neuro-Fuzzy-System bei der Zellstoffkochung besonders effizient?
Durch die Integration von Fuzzy-Reglern für die Steuerung und Neuronalen Netzen zur Bestimmung des optimalen Abbruchzeitpunkts konnten in der Praxis deutliche Einsparpotentiale bei Rohstoffen und Energie nachgewiesen werden.
- Arbeit zitieren
- Alexander Winterstein (Autor:in), 2009, Stand der Entwicklungstendenzen von Neuro-Fuzzy-Systemen und Anwendungen, München, GRIN Verlag, https://www.grin.com/document/178905
