A detailed and comprehensive description of the state of the art in the field of flood forecasting opens this work. Advantages and shortcomings of currently available methods are identified and discussed. Amongst others, one important aspect considers the most exigent weak point of today’s forecasting systems: The representation of all the fundamentally different event specific patterns of flood formation with one single set of model parameters. The study exemplarily proposes an alternative for overcoming this restriction by taking into account the different process characteristics of flood events via a dynamic parameterisation strategy. Other fundamental shortcomings in current approaches especially restrict the potential for real time flash flood forecasting, namely the considerable computational requirements together with the rather cumbersome operation of reliable physically based hydrologic models. The new PAI-OFF methodology (Process Modelling and Artificial Intelligence for Online Flood Forecasting) considers these problems and offers a way out of the general dilemma. It combines the reliability and predictive power of physically based, hydrologic models with the operational advantages of artificial intelligence. These operational advantages feature extremely low computation times, absolute robustness and straightforward operation. Such qualities easily allow for predicting flash floods in small catchments taking into account precipitation forecasts, whilst extremely basic computational requirements open the way for online Monte Carlo analysis of the forecast uncertainty. The study encompasses a detailed analysis of hydrological modeling and a problem specific artificial intelligence approach in the form of artificial neural networks, which build the PAI-OFF methodology. Herein, the synthesis of process modelling and artificial neural networks is achieved by a special training procedure. It optimizes the network according to the patterns of possible catchment reaction to rainstorms. This information is provided by means of a physically based catchment model, thus freeing the artificial neural network from its constriction to the range of observed data – the classical reason for unsatisfactory predictive power of netbased approaches. Instead, the PAI-OFF-net learns to portray the dominant process controls of flood formation in the considered catchment, allowing for a reliable predictive performance. The work ends with an exemplary forecasting of the 2002 flood in a 1700 km² East German watershed.

Lithium-ion (Li-ion) batteries have become a crucial factor in the recent electro-mobility trend. People's increased interest in electric vehicles (EVs) has motivated several automotive manufacturers and research organizations to develop suitable drivetrain designs involving batteries. Especially the development of the 48V Li-ion battery has been of great importance to reduce CO2 emissions and meet emission standards. However, accurately modeling Li-ion batteries is a difficult task since multiple factors have to be considered. Conservative Methods are using pyhsico-chemical models or electrical circuits in order to mimic the battery behavior. This thesis deals with developing a Li-ion battery model using artificial neural network (ANN) algorithms to predict the state of charge (SOC) as one of the key battery management system states. Due to the rising power of GPUs and the amount of available data, ANNs became popular in recent years. ANNs are also applicable to different areas of battery technology. Using battery data like the battery voltage, temperature, and current as input features, a neural network is trained that predicts battery SOC. A novel approach based on ANNs and one of the most commonly used SOC estimation methods are presented in this thesis to model the battery behavior. Furthermore, an approach for dealing with the highly unbalanced data by creating multidimensional bins and compare different neural network architectures for time series forecasting is introduced. By creating the model, our main priority is to reduce the model's errors in extreme operating areas of the battery. According to our results, long short-term memory (LSTM) architectures appear to be the best fit for this task. Finally, the developed ANN model can successfully learn battery behavior, however the model's accuracy under harsh operating circumstances is highly dependent on the data quality gathered.

Statistische Modelle basierend auf empirischen Daten und GIS-Analysen sind ein geeignetes Mittel, um das Landschaftsbild objektiv zu bewerten. Verbreitet sind vor allem lineare Regressionsmodelle, die vergleichsweise einfach anzuwenden und zu interpretieren, jedoch bei der Darstellung komplexer Zusammenhänge eingeschränkt sind. Die vorliegende Arbeit nutzt drei verschiedene Modelltypen für eine bundesweite, flächendeckende Bewertung der landschaftli-chen Schönheit und vergleicht diese hinsichtlich ihrer Plausibilität und ihrer anwendungsbezogenen Vor- und Nachteile. Ein lineares Regressionsmodell wird dazu einem ordinalen Regres-sionsmodell und einem neuronalen Netz gegenübergestellt, mit denen auch nichtlineare Zusammenhänge modelliert werden können. Es werden sowohl die Modelle mit ihren beteiligten Indikatoren als auch die bei der flächenhaften Anwendung entstehenden Ergebniskarten aus-führlich verglichen. Empirische Datenbasis ist eine Onlineumfrage zum Landschaftsbild, die im Rahmen des vom Bundesamt für Naturschutz beauftragten FuE-Vorhabens „Entwicklung eines Bewertungsmodells zum Landschaftsbild beim Stromnetzausbau“ durchgeführt wurde. Bei der Umfrage wurde eine Fotodokumentation mit 822 repräsentativen Landschaftsfotos unter ande-rem hinsichtlich ihrer Schönheit bewertet. Es handelt sich mit mehr als 3.500 Teilnehmenden und 44.000 Fotobewertungen um den bisher umfangreichsten Datensatz zum Landschaftsbild in Deutschland. Die Arbeit behandelt speziell die Schönheit, da sich diese im Vergleich zu an-deren im § 1 Abs. 1 Nr. 3 BNatSchG genannten Kriterien Vielfalt und Eigenart für eine intuitive Bewertung ohne Expertenwissen eignet. Der Vergleich bei der bundesweiten Anwendung der Modelle zeigt für alle drei Modelltypen überwiegend plausible und stark korrelierende Ergebnisse auf. Alle Ergebniskarten zeigen infolge des markanten Reliefunterschieds deutliche Bewertungsunterschiede zwischen der Nord- und Südhälfte Deutschlands. Es zeigt sich, dass Modelleigenschaften des linearen und ordinalen Regressionsmodells dazu führen, dass dieses Bewertungsgefälle deutlich zu stark ausgeprägt ist. Beim neuronalen Netz zeigt sich eine ausgewogenere Bewertung zwischen Norden und Süden, bei der auch Landschaftsräume ohne starke Reliefunterschiede häufig hohe Bewertungsstufen erhalten. Eine erneute Anwendung der Modelle auf die Ausgangsdaten bestätigt leichte Bewertungsvorteile des neuronalen Netzes. Es ist jedoch davon auszugehen, dass kleinere Untersuchungsgebiete mit weniger diversen Landschaftstypen dazu führen, dass die Vorhersagen verschiedener Modelltypen weniger Unterschiede aufweisen. In der Arbeit wird die zugrundeliegende Stichprobe zudem auf die Effekte sozial-empirischer Merkmale untersucht. Es zeigen sich schwache Einflüsse von Alter, Bildungsstand und Fachwissen zum Landschaftsbild. Zudem wurde untersucht, ob die landschaftliche Schönheit mit dem Vorkommen von bestimm-ten Farbtönen zusammenhängt. Ausgewählt wurden für die Analyse Grün- und Blautöne als Indikatoren für Vegetation und Wasser. Die Untersuchung zeigt keine Zusammenhänge mit blauen Farbtönen und eine geringe Korrelation zu grün(-blauen) Farbtönen. Insgesamt bestätigen die Untersuchungsergebnisse, dass in Bezug auf die landschaftliche Schönheit ein ausreichender gesellschaftlicher Konsens besteht, um empirisch-modellierende Methoden zu validen und genauen Bewertungsinstrumenten für dieses Kriterium in der Landschaftsbildbewertung zu machen.:Zusammenfassung 5 Inhalt 7 Abbildungen 10 Tabellen 13 Abkürzungsverzeichnis 15 Allgemeine Informationen 16 1. Einleitung 17 1.1 Anlass und Motivation 17 1.2 Zielstellung 18 1.3 Aufbau und Gliederung der Arbeit 19 2. Inhaltliche Grundlagen 22 2.1 Landschaft 22 2.2 Landschaftsbild 23 2.2.1 Rolle der sensorischen Wahrnehmung in der Landschaftsbildbewertung 23 2.2.2 Die Subjektebene 25 2.3 Begriffstrias Vielfalt, Eigenart und Schönheit 27 2.3.1 Vielfalt 28 2.3.2 Eigenart 28 2.3.3 Schönheit 30 2.4 Expertenbasierte, modellierende und empirisch-modellierende Landschaftsbildbewertung 31 2.5 Schönheit in der Landschaftsbildbewertung 36 2.6 Fotos als Bewertungsmedium 42 3. Fotodokumentation und Onlineumfrage 44 3.1 Erstellung der Fotodokumentation 44 3.1.1 Auswahl von Referenzräumen 44 3.1.2 Anfertigung der Fotodokumentationen 49 3.1.3 Auswahl der Fotos für die Onlineumfrage 51 3.2 Onlineumfrage 52 4. Einfluss sozial-empirischer Merkmale auf die Bewertung 55 4.1 Geschlecht 56 4.2 Alter 60 4.3 Schulabschluss 64 4.4 Berufsabschluss 66 4.5 Affinität zu Natur und Landschaft 69 4.6 Aufenthalt in der freien Landschaft 71 4.7 Berufliche Auseinandersetzung mit dem Landschaftsbild 73 4.8 Entfernung vom Wohnort zur bewerteten Landschaft 77 4.9 Ländliche oder städtische Prägung des Wohnortes 83 4.10 Zusammenfassung 85 5. Auswahl von Indikatoren 88 5.1 Operationalisierbare und nicht-operationalisierbare Indikatoren 88 5.2 Datengrundlagen 89 5.3 Liste aller potenziellen Indikatoren 90 5.4 Erhebung des Indikatorenvorkommens durch Strukturanalyse der Sichträume 95 5.4.1 Verifizierung der Sichträume 95 5.4.2 Vorbereitung der Sichträume im GIS 97 5.4.3 Ermittlung des Indikatorenvorkommens in den Sichträumen 99 5.4.4 Erfassung des Indikatorenvorkommens im GIS 101 6. Ergänzende statistische Analyse der potenziellen Indikatoren 102 7. Einfluss der Farbgebung der Landschaftsfotos auf die Bewertung 104 7.1 Messung der Farbgebung 105 7.2 Definition von Farbbereichen 107 7.3 Statistische Analyse der Daten zur Farbgebung der Landschaftsfotos 109 7.4 Fazit 110 8. Erstellung der Bewertungsmodelle 112 8.1 Lineare Regression 112 8.1.1 Voraussetzungen 114 8.1.2 Lineares Regressionsmodell zur Schönheit der Landschaft 119 8.2 Ordinale Regression 122 8.2.1 Modellerstellung bei der ordinalen Regression 124 8.2.2 Interpretation der Parameterschätzer / Berechnung von Wahrscheinlichkeiten 125 8.2.3 Vorbereitung der Daten / Ordinale Skalierung 128 8.2.4 Voraussetzungen 129 8.2.5 Ordinales Regressionsmodell zur Schönheit der Landschaft 131 8.3 Neuronales Netzwerk 135 8.3.1 Aufbau und Funktionsweise 135 8.3.2 Auswahl von Skalenniveaus für das neuronale Netz 139 8.3.3 Einstellungen zum mehrschichtigen Perzeptron in SPSS 140 8.3.4 Erstellung des mehrschichtigen Perzeptrons mit SPSS 141 8.3.5 Neuronales Netzwerk zur Schönheit der Landschaft 144 8.4 Vergleich des Aufbaus der Modelle 147 8.5 Vergleich der Modellergebnisse 149 9. Flächenhafte Anwendung der Bewertungsmodelle 153 9.1 Wahl der Bewertungseinheit 153 9.2 Erhebung des Indikatorenvorkommens in den Bewertungseinheiten 154 9.3 Übertragung des Distanzzonenkonzepts in die Flächenbewertung 155 9.4 Anwendung der Bewertungsmodelle auf das Untersuchungsgebiet 156 9.5 Einteilung der Bewertungsstufen der Ergebniskarten der Bewertungsmodelle 157 9.6 Auswertung und Vergleich der Ergebniskarten 160 9.6.1 Verteilung der Bewertungsstufen 165 9.6.2 Sichtbarer Einfluss von Indikatoren auf die Wertstufenverteilung 167 9.6.3 Fazit 175 10. Diskussion und Schlussfolgerung 177 10.1 Diskussion der drei Modellierungsmethoden und deren Ergebnisse 177 10.1.1 Einordnung der Ergebnisse 177 10.1.2 Kritische Betrachtung der Methoden und Optimierungspotenzial 179 10.2 Vor- und Nachteile der drei Modellierungsmethoden 183 10.3 Die Berechnung landschaftlicher Schönheit 185 10.4 Zweck großräumiger Landschaftsbildbewertung in der Landschaftsplanung 187 10.5 Daseinsberechtigung landschaftlicher Schönheit als Bewertungskriterium 188 10.6 Fazit 189 11. Quellenverzeichnis 190 Anhang 1 – Landschaftsfotos 202 Anhang 2 – Korrelationsanalyse der unabhängigen Variablen des linearen Regressionsmodells 213 Anhang 3 – Korrelationsanalyse der unabhängigen Variablen des ordinalen Regressionsmodells 215 Anhang 4 – Korrelationsuntersuchungen der potenziellen Indikatoren 217 Anhang 5 – Verteilung der Bewertungsstufen in den Ergebniskarten 219 Danksagung 227

Liquefaction is the phenomena when there is loss of strength in saturated and cohesion-less soils because of increased pore water pressures and hence reduced effective stresses due to dynamic loading. It is a phenomenon in which the strength and stiffness of a soil is reduced by earthquake shaking or other rapid loading. In this study, after the short review of liquefaction definition, the models of prediction and estimation of liquefaction were considered. Application of numerical modelling with two major software (FLAC & PLAXIS) for the Wildlife site liquefaction, under superstition earthquake in 1987 were compared and analysed. Third step was started with introduction of Fuzzy logic and neural network as two common intelligent mathematical methods. These two patterns for prediction of soil liquefaction were combined. The “Neural network- Fuzzy logic-Liquefaction- Prediction” (NFLP) was applied for liquefaction prediction in Wildlife site. The results show the powerful prediction of liquefaction happening with high degree of accuracy in this case.

Am Beispiel moderner Automatisierungssysteme wird deutlich, dass die Steuerung und optimale Führung der technischen Prozesse eng verbunden ist mit der Verfügbarkeit eines möglichst exakten Prozessmodells. Steht jedoch kein Modell des zu steuernden Systems zur Verfügung oder ist das System nicht ausreichend genau analytisch beschreibbar, muss ein adäquates Modell auf der Basis von Beobachtungen (Messdaten) abgeleitet werden. Erschwerend wirken sich hierbei starke Nichtlinearitäten sowie der zeitvariante Charakter der zu identifizierenden Systeme aus. Die Zeitvarianz, beispielsweise durch Alterung oder Verschleiß hervorgerufen, erfordert zusätzlich eine schritthaltende Adaption an den sich verändernden Prozess. Das einmalige, zeitlich begrenzte Erstellen eines Modells ist somit nicht ausreichend. Stattdessen muss zeitlich unbegrenzt "nachtrainiert" werden, was dementsprechend als "Kontinuierliches Lernen" bezeichnet wird. Auch wenn das Ableiten eines Systemmodells anhand von Beobachtungen eine typische Aufgabenstellung für Neuronale Netze ist, stellt die Zeitvarianz Neuronale Netze dennoch vor enorme Probleme. Im Rahmen der Dissertation wurden diese Probleme identifiziert und anhand von unterschiedlichen Neuronalen Netzansätzen analysiert. Auf den sich hieraus ergebenden Ergebnissen steht anschließend die Entwicklung eines neuartigen Neuronalen Netzansatzes im Mittelpunkt. Die besondere Eigenschaft des hybriden ICE-Lernverfahrens ist die Fähigkeit, eine zur Problemkomplexität adäquate Netztopologie selbstständig zu generieren und diese entsprechend des zeitvarianten Charakters der Zielfunktion dynamisch adaptieren zu können. Diese Eigenschaft begünstigt insbesondere schnelles Initiallernen. Darüber hinaus ist das ICE-Verfahren in der Lage, parallel zur Modellausgabe Vertrauenswürdigkeitsprognosen für die aktuelle Ausgabe zur Verfügung zu stellen. Den Abschluss der Arbeit bildet eine spezielle Form des ICE-Ansatzes, bei der durch asymmetrische Aktivierungsfunktionen Parallelen zur Fuzzy-Logik hergestellt werden. Dadurch wird es möglich, automatisch Regeln abzuleiten, welche das erlernte Modell beschreiben. Die "Black-Box", die Neuronale Netze in der Regel darstellen, wird dadurch transparenter. / One of the main requirements for an optimal industrial control system is the availability of a precise model of the process, e.g. for a steel rolling mill. If no model or no analytical description of such a process is available a sufficient model has to be derived from observations, i.e. system identification. While nonlinear function approximation is a well-known application for neural networks, the approximation of nonlinear functions that change over time poses many additional problems which have been in the focus of this research. The time-variance caused for example by aging or attrition requires a continuous adaptation to process changes throughout the life-time of the system, here referred to as continuous learning. Based on the analysis of different neural network approaches the novel incremental construction algorithm ICE for continuous learning tasks has been developed. One of the main advantages of the ICE-algorithm is that the number of RBF-neurons and the number of local models of the hybrid network have not to be determined in advance. This is an important feature for fast initial learning. The evolved network is automatically adapted to the time-variant target function. Another advantage of the ICE-algorithm is the ability to simultaneously learn the target function and a confidence value for the network output. Finally a special version of the ICE-algorithm with asymmetric receptive fields is introduced. Here similarities to fuzzy logic are intended. The goal is to automatically derive rules which describe the learned model of the unknown process. In general a neural network is a "black box". In contrast to that an ICE-network is more transparent.

In diesem Bericht wurden die Arbeiten und Ergebnisse dargestellt, die am FORWISS im Rahmen des Verbundprojekts AENEAS im Zeitraum vom 1.10.1995 bis zum 31.12.1999 erzielt wurden. Die Forschungsziele des Vorhabens wurden durch eine industrielle Anwendung im Bereich der Stahlverarbeitung motiviert und konzentrierten sich im Wesentlichen auf die folgenden Punkte: • Modellierung von nichtlinearen und zeitvarianten Prozessen, die analytisch nicht fassbar sind und nur durch Messdaten repräsentiert werden. • Modellierung von Größen, die nicht direkt messbar sind, aber auf nichtlineare Weise von anderen, messbaren Größen abhängen. • Kombination von analytischen bzw. statistischen Modellen und Neuronalen Netzen, um die jeweiligen Vorteile der Verfahren zu vereinen. Als Ergebnis des Vorhabens wurden eine Reihe neuer Ansätze zum kontinuierlichen Lernen entwickelt, darunter eine neuartige, lebenslang adaptive Netzarchitektur mit entscheidenden Vorteilen im Bereich des kontinuierlichen Lernens im Vergleich zu allen bisher bekannten Verfahren. Zum zweiten Punkt wurde eine Theorie der Analyse iterierter Prozesse entwickelt, die auf das mathematische Problem der Lösung von Funktionswurzeln führte. Für nichtlineare Systeme gibt es keine analytischen Lösungsmöglichkeiten, daher wurden erstmals Neuronale Netze zur Lösung dieses Problems verwendet. Die Ergebnisse aller grundlagenorientierten Arbeiten flossen in die Lösung eines industriellen Anwendungsproblems ein, bei der End- und Zwischenprofile warmgewalzter Stahlbänder modelliert und prognostiziert werden sollten. Dieser Prozess ist charakterisiert durch Nichtlinearität, Zeitvarianz („Tagesform“ der Anlage) und durch die nicht direkte Messbarkeit der Zwischenprofile, die sich als inverse Iteration (Funktionswurzel) aus dem Endprofil ergeben. Dieses Problem konnte auf elegante Weise durch eine Verknüpfung von analytischen und neuronalen Ansätzen gelöst werden. Neben dem unmittelbaren Wert der Ergebnisse bei der Lösung der beispielhaften Anwendung lassen sich die entwickelten Verfahren zum kontinuierlichen Lernen und zur Analyse iterierter Prozesse auf eine Vielzahl anderer Problemstellungen verallgemeinern und stellen eine gute Basis für weitere Forschungsarbeiten dar.

Diese Arbeit entwickelt eine Methode, Funktionalgleichungen der Art g(g(x))=f(x) bzw. g^n(x)=f(x) mit Hilfe neuronaler Netze zu lösen. Gesucht ist eine Funktion g(x), die mehrfach hintereinandergeschaltet genau einer gegebenen Funktion f(x) entspricht. Man nennt g=f^1/n eine iterative Wurzel oder fraktionale Iteration von f. Lösungen für g zu finden, stellt das inverse Problem der Iteration dar oder die Erweiterung der Wurzel- bzw. Potenzoperation auf die Funktionsalgebra. Geschlossene Ausdrücke für Funktionswurzeln einer gegebenen Funktion zu finden, ist in der Regel nicht möglich oder sehr schwer. Numerische Verfahren sind nicht in allgemeiner Form beschrieben oder als Software vorhanden. Ausgehend von der Fähigkeit eines neuronalen Netzes, speziell des mehrschichtigen Perzeptrons, durch Training eine gegebene Funktion f(x) zu approximieren, erlaubt eine spezielle Topologie des Netzes auch die Berechnung von fraktionalen Iterationen von f. Ein solches Netz besteht aus n identischen, hintereinandergeschalteten Teilnetzen, die, wenn das Gesamtnetz f approximiert, jedes für sich g = f^1/n annähern. Es ist lediglich beim Training des Netzes darauf zu achten, dass die korrespondierenden Gewichte aller Teilnetze den gleichen Wert annehmen. Dazu werden mehrere Verfahren entwickelt: Lernen nur im letzten Teilnetz und Kopieren der Gewichte auf die anderen Teile, Angleichen der Teilnetze durch Kopplungsfaktoren oder Einführung eines Fehlerterms, der Unterschiede in den Teilnetzen bestraft. Als weitere Näherungslösung wird ein iteriertes lineares Modell entwickelt, das durch ein herkömmliches neuronales Netz mit hoher Approximationsgüte für nichtlineare Zusammenhänge korrigiert wird. Als Anwendung ist konkret die Modellierung der Bandprofilentwicklung beim Warmwalzen von Stahlblech gegeben. Einige Zentimeter dicke Stahlblöcke werden in einer Walzstraße von mehreren gleichartigen, hintereinanderliegenden Walzgerüsten zu Blechen von wenigen Millimetern Dicke gewalzt. Neben der Dicke ist das Profil - der Dickenunterschied zwischen Bandmitte und Rand - eine wichtige Qualitätsgröße. Sie kann vor und hinter der Fertigstraße gemessen werden, aus technischen Gründen aber nicht zwischen den Walzgerüsten. Eine genaue Kenntnis ist jedoch aus produktionstechnischen Gründen wichtig. Der Stand der Technik ist die Berechnung dieser Zwischenprofile durch das wiederholte Durchrechnen eines mathematischen Modells des Walzvorganges für jedes Gerüst und eine ständige Anpassung von adaptiven Termen dieses Modells an die Messdaten. Es wurde gezeigt, dass mit einem adaptiven neuronalen Netz, das mit Eingangs- und Ausgangsprofil sowie allen vorhandenen Kenn- und Stellgrößen trainiert wird, die Vorausberechnung des Endprofils mit deutlich höherer Genauigkeit vorgenommen werden kann. Das Problem ist, dass dieses Netz die Übertragungsfunktion der gesamten Straße repräsentiert, Zwischenprofile können nicht ausgegeben werden. Daher wird der Versuch gemacht, beide Eigenschaften zu verbinden: Die genaue Endprofilmodellierung eines neuronalen Netzes wird kombiniert mit der Fähigkeit des iterierten Modells, Zwischenprofile zu berechnen. Dabei wird der in Form von Messdaten bekannte gesamte Prozess als iterierte Verknüpfung von technisch identischen Teilprozessen angesehen. Die Gewinnung eines Modells des Einzelprozesses entspricht damit der Berechnung der iterativen Wurzel des Gesamtprozesses.

In this thesis inhibition as a means for competition among neurons in an unsupervised learning system is studied. In the first part of the thesis, the role of inhibition in robustness against loss of information in the form of occlusion in visual data is investigated. In the second part, inhibition as a reason for loss of information in the mathematical models of neural system is addressed. In that part, a learning rule for modeling inhibition with lowered loss of information and also a dis-inhibitory system which induces a winner-take-all mechanism are introduced. The models used in this work are unsupervised feature extractors made of biologically plausible neural networks which simulate the V1 layer of the visual cortex.

Liquefaction is the phenomena when there is loss of strength in saturated and cohesion-less soils because of increased pore water pressures and hence reduced effective stresses due to dynamic loading. It is a phenomenon in which the strength and stiffness of a soil is reduced by earthquake shaking or other rapid loading. In this study, after the short review of liquefaction definition, the models of prediction and estimation of liquefaction were considered. Application of numerical modelling with two major software (FLAC & PLAXIS) for the Wildlife site liquefaction, under superstition earthquake in 1987 were compared and analysed. Third step was started with introduction of Fuzzy logic and neural network as two common intelligent mathematical methods. These two patterns for prediction of soil liquefaction were combined. The “Neural network- Fuzzy logic-Liquefaction- Prediction” (NFLP) was applied for liquefaction prediction in Wildlife site. The results show the powerful prediction of liquefaction happening with high degree of accuracy in this case.

Die sequenzielle Aktivität von Ortszellen im Hippocampus entspricht vielfach früheren Erlebnissen, was auf eine Rolle in Gedächtnisprozessen hinweist. Jüngere experimentelle Befunde zeigen allerdings, dass Zielorte in sequenzieller Aktivität überrepräsentiert sind. Dies legt eine Rolle dieser Aktivitätsmuster in der Verhaltensplanung nahe, wobei ein detailliertes Verständnis sowohl des Ursprungs als auch der Funktion von Ortszellsequenzen im Hippocampus bislang fehlt. Insbesondere ist nicht bekannt, welcher Mechanismus solche Sequenzen auf adaptive und konstruktive Weise generiert, wodurch effizientes Planen ermöglicht würde. Um der Beantwortung dieser Fragen näher zu kommen, stelle ich ein neu entwickeltes pulscodiertes Netzwerkmodell vor, in dem räumliches Lernen und die Generierung von Sequenzen untrennbar voneinander abhängig sind. Anhand von Simulationen zeige ich, dass dieses Modell die Erzeugung von noch nicht erlebten Sequenztrajektorien in bekannten Umgebungen erklärt, was deren Nutzen für flexible Pfadplanung hervorhebt. Zusätzlich stelle ich die Ergebnisse eines detaillierten Vergleichs zwischen simulierten neuronalen Pulsfolgen und experimentellen Daten auf der Ebene der Populationsdynamik vor. Diese Resultate zeigen, wie sequenzielle räumliche Repräsentationen durch die Interaktion zwischen lokaler oszillatorischer Dynamik und externen Einflüssen geprägt werden.:1. Introduction 2. Neurobiological and theoretical accounts of hippocampal function 3. A computational model of place-cell sequences for goal-finding 4. A statistical note on step size decoding in place-cell sequences 5. Summary and Discussion Bibliography / Hippocampal place-cell sequences observed during awake immobility often represent previous experience, suggesting a role in memory processes. However, recent reports of goals being overrepresented in sequential activity suggest a role in short-term planning, although a detailed understanding of the origins of hippocampal sequential activity and of its functional role is still lacking. In particular, it is unknown which mechanism could support efficient planning by generating place-cell sequences biased toward known goal locations, in an adaptive and constructive fashion. To address these questions, I propose a spiking network model of spatial learning and sequence generation as interdependent processes. Simulations show that this model explains the generation of never-experienced sequence trajectories in familiar environments and highlights their utility in flexible route planning. In addition, I report the results of a detailed comparison between simulated spike trains and experimental data, at the level of network dynamics. These results demonstrate how sequential spatial representations are shaped by the interaction between local oscillatory dynamics and external inputs.:1. Introduction 2. Neurobiological and theoretical accounts of hippocampal function 3. A computational model of place-cell sequences for goal-finding 4. A statistical note on step size decoding in place-cell sequences 5. Summary and Discussion Bibliography