ECTS Credits: | 5 |
Modulverantwortliche*r: | Prof. Dr.Ing. Mohedienne Jelali |
Dozierende: | Prof. Dr.Ing. Mohedienne Jelali |
Learning Outcome: | Die Studierenden können Regelsysteme basierend auf Methoden der künstlichen Intelligenz (von an der Natur angelehnten Methoden) entwerfen, implementieren, simulieren und analysieren, indem sie Modelle basierend auf künstlichen neuronalen Netzen oder Fuzzy-Logik herleiten (d. h. aus Daten identifizieren), die Methoden zum Entwurf von intelligenten Regelungen auswählen und anwenden, um später intelligente (selbstlernende) Maschinen und Anlagen zu realisieren. |
Modulinhalte: | • Fuzzy-Logik, Fuzzy-Systeme • künstliche neuronale Netze • KI-Modellidentifikation (Lernalgorithmen) • Fuzzy-Regelungen • Neuro-Regelungen • Neuro-Fuzzy Regelungen (Optional) • Einsatz klassische vs. KI-gestützte Regelungen |
Lehr- und Lernmethoden: | Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; fortlaufendes Coaching & Beratung während der Projektdurchführung |
Prüfungsformen: | Softwareprogramm (50%), schriftlicher Bericht/Präsentation und mündliches Gespräch (50%) |
Workload: | Summe: 150 Std. / 5 Credits Vorlesung/Seminar: 90 Std. Projektarbeit: 60 Std. |
Präsenzzeit: | 90 Std. |
Selbststudium: | 60 Std. |
Empfohlene Literatur: | • Kahlert, J. (1995): Fuzzy Control für Ingenieure. Vieweg • Bothe, H.-H. (1998): Neuro-Fuzzy-Methoden. Springer-Verlag • Nauck, D.; Klawonn, F.; Kruse, R. (1994): Neuronale Netze und Fuzzy-Systeme. Vieweg • Nørgaard, M. et al. (2000): Neural Networks for Modelling and Control of Dynamic Systems. Springer-Verlag • Bemporad, A.; Morari, M.; Ricker, N. L. (2016): Model Predictive Control Toolbox: User’s Guide. Benutzerhandbuch zur Software MATLAB R2016a |
ILIAS-Link: | KI-gestützte Regelsysteme |