Lernen bei statischer Funktionsapproximation

Im Kapitel 4 werden die grundlegenden Lerngesetze besprochen. Vorgestellt werden das Gradientenabstiegs-Verfahren, der Backpropagation-Algorithmus und die Least-Squares-Verfahren. Diese Verfahren konnen sowohl zur Identifikation von Nichtlinearitaten alleine als auch von Nichtlinearitaten in dynamischen Systemen eingesetzt werden. Bei der Identifikation von Nichtlinearitaten in dynamischen Systemen sind allerdings die Fehlermodelle zu beachten, und es ist zu bedenken, dass die Least-Squares-Verfahren nur dann eingesetzt werden durfen, wenn der Modellausgang der Strecke linear in den Parametern ist. Die letzte Einschrankung muss bei den beiden anderen Verfahren nicht beachtet werden. Beispiele erganzen die theoretischen Abhandlungen. Machtigere Lernverfahren werden in den spateren Kapiteln des Buchs behandelt.