Die vorliegende Arbeit beschäftigt sich mit der Identifikation nichtlinearer dynamischer Systeme. Zur Anwendung kommt ein allgemein definiertes rekurrentes Neuronales Netz, das eine frei wählbare Modellstruktur ermöglicht. Die große Flexibilität des verwendeten Modells führt bei passend gewählter Struktur zu einem sehr genauen Ergebnis, birgt aber auch die Gefahr, dass bei ungeeigneter Strukturauswahl die Identifikation erfolglos verläuft. Aus diesem Grund findet während der Identifikation nicht nur eine Parameter- sondern auch eine parallel laufende Strukturoptimierung statt. Die Arbeit stellt verschiedene Algorithmen zur Parameter- und Strukturoptimierung vor, bewertet deren Einsatz und entwickelt Strategien für eine möglichst effiziente Anwendung in der Systemidentifikation. Abschließende Untersuchungen zeigen zudem, wie strukturelles Vorwissen in die Identifikation eingebracht werden kann.     «

Die vorliegende Arbeit beschäftigt sich mit der Identifikation nichtlinearer dynamischer Systeme. Zur Anwendung kommt ein allgemein definiertes rekurrentes Neuronales Netz, das eine frei wählbare Modellstruktur ermöglicht. Die große Flexibilität des verwendeten Modells führt bei passend gewählter Struktur zu einem sehr genauen Ergebnis, birgt aber auch die Gefahr, dass bei ungeeigneter Strukturauswahl die Identifikation erfolglos verläuft. Aus diesem Grund findet während der Identifikation nicht...     »

This thesis addresses the problem of nonlinear dynamic system identification with recurrent neural networks. The applied neural network model is quite general and the structure can be chosen arbitrarily. This flexible structure allows complex models of high quality if the structure is suitable. But if the model structure cannot describe the unknown plant the identification process will not succeed. To avoid this problem the algorithms used for system identification not only adjust the model parameters but also the structure of the model. This thesis compares different algorithms for parameter- and structure optimisation, studies in each case the application for system identification and develops algorithms to get an implementation as efficient as possible. Final investigations show how previous knowledge can be contributed to the identification process.     «

This thesis addresses the problem of nonlinear dynamic system identification with recurrent neural networks. The applied neural network model is quite general and the structure can be chosen arbitrarily. This flexible structure allows complex models of high quality if the structure is suitable. But if the model structure cannot describe the unknown plant the identification process will not succeed. To avoid this problem the algorithms used for system identification not only adjust the model para...     »