Abstract
Dieser Artikel beschreibt einen neuen iterativen Partitionierungsalgorithmus für lokale Neuro-Fuzzy-Modelle. Der Algorithmus zielt darauf ab, datenbasierte Modelle aus dünnbesetzten Eingangsräumen, wie sie im Automotive-Bereich häufig auftreten, zu generieren. Der Gültigkeitsbereich jedes lokalen Neuro-Fuzzy-Modells wird dabei unter Anwendung statistischer Kriterien und Regularisierung an die vorhandenen Daten angepasst. Ausdehnung und Orientierung jedes lokalen Modells orientieren sich auch derart an den vorhandenen Trainingsdaten, dass die Bestimmung der Regressionsparameter ein gut konditioniertes Problem darstellt. Die Regularisierung des Modells kann durch den Benutzer mittels eines Parameters gut konditioniert werden.
Um die Qualität und Sicherheit des erstellten Modells beurteilen zu können, wird zusätzlich eine Modellstatistik berechnet. Mehrere Beispiele aus der Praxiserprobung bzw. aus einem Pilotprojekt beschreiben die Effizienz des vorgestellten Algorithmus.
Abstract
In this paper a new iterative partitioning algorithm for local model networks is presented. The algorithm is focussed on building models with sparsely distributed data as they occur in engine optimization processes. The validity function of each local model is fitted to the available data using statistical criteria along with regularisation. The orientation and extent of each validity function is also adapted to the available training data such that the determination of the local regression parameters is a well posed problem. The regularisation of the model can be controlled by the user in a distinct manner by one parameter. In order to assess the quality of the obtained model the algorithm also provides model statistics. Different examples from practical applications illustrate the efficiency of the proposed algorithm.
© Oldenbourg Verlag