Solange der Mensch seit Beginn der modernen Wissenschaft versucht, seine kognitiven
Fähigkeiten durch anatomische, physiologische und psychologische Untersuchungen zu
verstehen, werden diese Forschungen auch von der Entwicklung mathematischer Modelle
begleitet. Dies geschieht in der Hoffnung, zu einem tieferen Verständnis der Gehirnfunktionen
zu gelangen und in jüngster Zeit mit dem Ziel, neuartige mathematische Verfahren,
z.B. zur Mustererkennung und Funktionenapproximation, zu erhalten. Im Rahmen dieses
Ansatzes wurde vor etwa 10 Jahren das radiale Basisfunktionen (RBF)-Netzwerk eingeführt,
welches bestimmte Strukturen im cerebellaren Cortex modelliert.
In früheren Arbeiten wurden tiefgehende Beziehungen zwischen diesem dreischichtigen
Netzwerkmodell und der maximum likelihood (ML)-Schätzung von empirischen Datenverteilungen
durch Mischungen univariater Normalverteilungen aufgedeckt. Solche Netzwerke
eignen sich zur datengetriebenen Funktionenapproximation und zur Lösung von Klassi-
fikationsaufgaben. Ausgehend von diesen Beobachtungen wird in der vorliegenden Arbeit
das RBF-Modell stufenweise verallgemeinert.
Zunächst wird mit dem generalisierten radialen Basisfunktionen (GRBF)-Netzwerk ein
Modell vorgestellt, dessen Parameter sich aus ML-Schätzungen von Datenverteilungen
durch Mischungen multivariater Normalverteilungen ableiten lassen. Damit wird erstmals
ein Verfahren eingeführt, mit dem alle Netzwerkparameter simultan optimiert werden können.
Ein deterministisches Abkühlschema sorgt dabei für die sichere Konvergenz des zugehörigen
sequentiellen stochastischen Lernprozesses.
Anschließend wird ein neues Modell zur Funktionenapproximation, der sogenannte LLMApproximator
, vorgestellt, das ebenfalls auf Dichteschätzungen durch Mischungen multivariater
Normalverteilungen beruht und sich in Spezialfällen auf das GRBF-Netzwerk
reduziert. Im LLM-Verfahren wird die zu approximierende Funktion durch eine Interpolation
lokaler linearer Regressionsmodelle dargestellt. In Verallgemeinerung dieser Verfahren
wird schließlich ein Konstruktionsprinzip für Systeme lokaler Experten formuliert,
das sowohlWettbewerb als auch Kooperation unterschiedlicher Experten zur Lösung einer
gemeinsamen Aufgabe organisiert.
Die Arbeitsweisen des LLM-Approximators als auch des Systems lokaler Experten werden
am Beispiel von Regelungsproblemen illustriert. Zunächst wird die Regelung eines
virtuellen Bioreaktors mit Hilfe des LLM-Approximators vorgestellt. Anschließend wird
das System lokaler Experten für die Regelung einer realen, komplexen industriellen Anlage
verwendet. Dabei handelt es sich um die Anlage zur Rückstandsverbrennung im Werk
Burghausen der Wacker-Chemie GmbH.