Navigation ▼

Show simple item record

dc.contributor.advisor Parlitz, Ulrich Prof. Dr. de
dc.contributor.author Engster, David de
dc.date.accessioned 2011-08-08T15:32:15Z de
dc.date.accessioned 2013-01-18T13:41:24Z de
dc.date.available 2013-01-30T23:51:12Z de
dc.date.issued 2011-08-08 de
dc.identifier.uri http://hdl.handle.net/11858/00-1735-0000-0006-B4FD-1 de
dc.description.abstract Diese Arbeit beschäftigt sich mit Black-Box-Modellierung, und zwar mit lokalen Modellen auf Basis nächster Nachbarn, sowie insbesondere mit Cluster-Weighted-Modellen, die eine stochastische Modellierung des Eingaberaums mit deterministischen, parametrischen Modellen kombinieren. Aus Beobachtungen eines dynamischen Systems, die zudem häufig durch Rauschen verfälscht sind, werden mit Hilfe dieser Modelle Schätzungen über die zeitliche Entwicklung oder den momentanen internen Zustand des Systems berechnet. Beide Modellierungstechniken werden an verschiedenen Beispielen evaluiert, die von numerischen chaotischen Oszillatoren bis zu experimentellen Reibungsdaten reichen.Die Cluster-Weighted-Modelle werden auf Basis des Konzeptes probablistischer Scores mit anderen stochastischen Modellierungstechniken verglichen, wobei sowohl numerische als auch experimentell gewonnene Daten mit verschiedenen Rauschanteilen verwendet werden. Weiterhin werden verschiedene Methoden zur Regularisierung von Cluster-Weighted-Modellen besprochen und ihre Auswirkung auf den Score des Modells untersucht. Im Anschluss werden diese Modelle für das sog. Aktive Lernen eingesetzt, wo man danach strebt gerade solche Datenpunkte für Messungen auszuwählen, die einen möglichst hohen Informationsgewinn versprechen, auch in Hinblick auf interessante Features wie Extrempunkte.Zum Schluss wird eine neue Methode zur Langzeitvorhersage vorgestellt, die auf Basis nächster Nachbarn versucht, eine Maximierung der Überlappung zweier Attraktoren im Phasenraum zu erreichen. Anhand von Daten sowohl numerischer wie experimenteller Systeme wird diese Methode anschließend verwendet, um Koeffizienten eine Systems gewöhnlicher Differentialgleichungen zu schätzen. de
dc.format.mimetype application/pdf de
dc.language.iso eng de
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/ de
dc.title Local- and Cluster Weighted Modeling for Prediction and State Estimation of Nonlinear Dynamical Systems de
dc.type doctoralThesis de
dc.title.translated Lokale- und Cluster-Weighted-Modellierung zur Vorhersage und Zustandsschätzung nichtlinearer dynamischer Systeme de
dc.contributor.referee Parlitz, Ulrich Prof. Dr. de
dc.date.examination 2010-08-24 de
dc.subject.dnb 530 Physik de
dc.description.abstracteng This thesis deals with black-box modeling techniques, in particular local models based on nearest neighbors, and Cluster Weighted Models, which combine a stochastic clustering of the input space with a deterministic parametric model in each cluster. Given observations obtained from a dynamical system, often corrupted by noise, those models are then used to predict future states, or to reconstruct the current internal state of the system. The performance of both techniques will be evaluated on various examples, from numerical chaotic oscillators to experimental friction data.Using the concept of probabilistic scoring, Cluster Weighted Models will be compared against other modeling techniques which produce a probabilistic output, using data from different numerical as well as experimental systems with various degress of noise. Also, several regularization techniques and their effect on the model's score will be discussed. Cluster Weighted Models will then be used for the concept of Active Learning, where one strives to actively choose data points for measurements which yield the most information. The models will be used to find points with a high information gain, also in terms of detecting interesting features like extremal values.Lastly, tackling the problem of long term prediction, a new method based on nearest neighbors will be introduced, which tries to maximize the overlap between the original and the model's attractor. This method is then used to fit the coefficients of a system of ordinary differential equations, targeting numerical as well as experimental systems. de
dc.contributor.coReferee Wörgötter, Florentin Prof. Dr. de
dc.subject.topic Physics de
dc.subject.ger Modellierung de
dc.subject.ger Black-Box-Modellierung de
dc.subject.ger Cluster-Weighted-Modelle de
dc.subject.ger Lokale Modelle de
dc.subject.ger Nächste-Nachbar-Methoden de
dc.subject.ger Aktives Lernen de
dc.subject.ger Maschinelles Lernen de
dc.subject.ger Probabilistische Scores de
dc.subject.eng Modeling de
dc.subject.eng Black-Box-Modeling de
dc.subject.eng Clustering de
dc.subject.eng Cluster-Weighted-Models de
dc.subject.eng Local Modeling de
dc.subject.eng Nearest-Neighbor-Methods de
dc.subject.eng Active Learning de
dc.subject.eng Machine Learning de
dc.subject.eng Probabilistic Scores de
dc.subject.bk 30.20 de
dc.subject.bk 33.06 de
dc.identifier.urn urn:nbn:de:gbv:7-webdoc-3083-0 de
dc.identifier.purl webdoc-3083 de
dc.affiliation.institute Fakultät für Physik de
dc.subject.gokfull RDH 200: Dynamische Systeme. Nichtlineare Systeme {Mathematische Physik} de
dc.subject.gokfull AHI 260: Learning {Computing Methodologies. Artificial Intelligence} de
dc.subject.gokfull AHI 600: Simulation and Modeling {Computing Methodologies} de
dc.identifier.ppn 669166413 de

Files in this item

This item appears in the following Collection(s)

Show simple item record