Identifikation mit lokal linearen Modellen basierend auf achsenschrägen Unterteilungen des Eingangsraums

从现在到现在，我们的自动化系统中的所有模块都在运行。SIE是zur Prädiktion，模拟，Steuerung，Regelung，自适应，Optimierung，Überwachung，诊断，使用Benötigt。从理论上看，我们的生活和工作都是如此，从理论上看，从基本实验中得到的结论是正确的。Für他识别更好的统计器和动态的过程在他的神经网络和神经模糊系统的更好的统计器和动态的过程中被描述成一个很好的例子。在此基础上，我们将为您提供更好的服务。如果这是一件很重要的事情，那就是我们不能再做任何事情了。这是一种新的形式和艺术，在德国和德国都是如此。在过去的一段时间里，我们看到的是中性粒和中性粒。这是一个伟大的梦想，也不是最好的选择。

Modelle sind die Grundlage nahezu aller leistungsfähigen Verfahren in der Automatisierungstechnik und in vielen anderen Bereichen. Sie werden zur Prädiktion, Simulation, Steuerung, Regelung, Adaption, Optimierung, Überwachung, Diagnose, usw. benötigt. Wegen der immer weiter steigenden Anforderungen und wachsenden Komplexität gewinnt neben der theoretischen Modellbildung die auf Messdaten basierende experimentelle Modellbildung (Identifikation) an Bedeutung. Für die Identifikation nichtlinearer statischer und dynamischer Prozesse haben sich in den letzten Jahren neuronale Netze und Neuro-Fuzzy-Systeme wegen ihrer breiten Anwendbarkeit als besonders geeignet erwiesen. Insbesondere die Ansätze basierend auf lokal linearen Modellen können viele vorteilhafte Eigenschaften für sich verbuchen. Ihre Leistungsfähigkeit hängt im Wesentlichen davon ab, wie die Gültigkeitsbereiche für die einzelnen lokalen Modelle festgelegt werden. Die Form und Art der Unterteilung des Eingangsraums in diese Gültigkeitsbereiche ist für die Eigenschaften sowohl des Modells als auch des Trainingsverfahrens entscheidend. In diesem Forschungsvorhaben soll ein vielversprechendes, neuartiges Verfahren zur achsenschrägen Unterteilung des Eingangsraums entwickelt und untersucht werden. Es wird in der Lage sein, unterschiedliche Vorteile bereits existierender Methoden zu vereinen.