Neuro-Fuzzy-Methoden

Die Begriffe "Neuronale Netzwerke" und "Fuzzy Logic" erobern seit geraumer Zeit viele Bereiche der Technik. Durch Kombination lassen sich die Vorteile beider Methoden miteinander verknüpfen. Es entstehen lernfähige Verfahren, deren Entscheidungswege und Funktionalität einfach nachvollziehbar und interpretierbar sind. Ziel des Buches ist es, die grundlegenden Kenntnisse in der notwendigen Tiefe zu vermitteln. Das Buch ist gleichzeitig eine wichtige Orientierungshilfe für Studenten und Anwender in den Bereichen Technik und Naturwissenschaften. Im einzelnen geht es um die Grundlagen des Fuzzy Logic und der Neuronalen Netzwerke, aktuell eingesetzte Neuro-Fuzzy-Methoden sowie Anwendungen und Realisierungen in der Praxis.

Prof. Dr. Sc. inf. Edy Portmann is a Professor of Computer Science at the University of Fribourg, Switzerland, co-director of the Human-IST Institute, and president of the FMsquare Foundation. His research focuses on computing with words and perceptions. After completing an apprenticeship as an electronics technician, he studied business informatics and earned a doctorate in fuzzy systems. He has worked for Swisscom, PwC, and EY, among others. Additionally, he has been a researcher at the universities of Singapore, Berkeley, and Bern.
Prof. Dr.-Ing. habil. Hans-Heinrich Bothe was an expert in analog and digital electronics, neuromorphic electronics, and nonlinear signal processing. His work focused on circuit design, digital signal processing, nonlinear systems, and the development of electronic aids for individuals with disabilities, particularly communication tools for those with hearing or visual impairments. Prof. Bothe also served as the Research and International Relations Officer (FiB) in the Department of Electrical Engineering. His contributions to both academia and practical applications have left a lasting impact.

1 Einführung.- 1.1 Fuzzy-Inferenzmethoden.- 1.2 Künstliche Neuronale Netzwerke.- 1.3 Neuro-Fuzzy-Methoden.- 2 Fuzzy-Methoden.- 2.1 Grundideen.- 2.2 Übertragungsverhalten von Fuzzy-Systemen.- 2.3 Anwendungsbeispiele.- 3 Künstliche Neuronale Netzwerke.- 3.1 Biologisches Vorbild.- 3.2 Grundideen Künstlicher Neuronaler Netzwerke.- 3.3 Neuronenmodelle.- 3.4 Einschichtige Künstliche Neuronale Netzwerke.- 3.5 Mehrschichtige Künstliche Neuronale Netzwerke.- 3.6 Anwendungsbeispiele.- 4 Fuzzy-Methoden Und Künstliche Neuronale Netzwerke.- 4.1 Optimierung der Zugehörigkeitsfunktionen.- 4.2 Bestimmung von Fuzzy-Regeln.- 5 Hybride Neuro-Fuzzy-Methoden.- 5.1 Fuzzy-Lemende Vektorquantisierung (FLVQ).- 5.2 Fuzzy-Kohonen-Clustering-Netzwerk (FKCN).- 5.3 Fuzzy ART and Fuzzy ARTMAP.- 5.4 Neural Network-based Fuzzy Logic Control (NNFLC).- 5.5 Adaptive-network-based Fuzzy Inference System (ANFIS).- 5.6 Neural Network-driven Fuzzy Reasoning (NNDFR).- 5.7 Generalized Approximative Reasoning-based Intelligent Control (GARIC).- 5.8 FUzzy Net (FUN).- 5.9 NEural Fuzzy CONtroller (NEFCON).- 6 Fuzzy-Neuronale Netzwerke.- 7 Genetische Algorithmen.- Anhang: Iris-Datensatz.- Symbole und Abkürzungen.