University, Diss., 2003--Tübingen.

Techn. University, Diss., 2005--Darmstadt.

Techn. Hochsch., Diss., 2005--Aachen.

University, Diss., 2005--Heidelberg.

Sales forecasts are an essential determinant of operational planning in entrepreneurial organizations. However, in China, as in other emerging markets, monthly sales forecasts are particularly challenging for multinational automotive enterprises and suppliers. A chief reason for this is that conventional approaches to sales forecasting often fail to capture the underlying market dynamics. To that end, this dissertation investigates the application of Artificial Neural Networks with an implemented backpropagation algorithm as a more “unconventional” sales forecasting method. A key element of statistical modelling is the selection of superior leading indicators. These indicators were collected as part of the researcher’s expert interviews with multinational enterprises and state associations in China. The economic plausibility of all specified indicators is critically explored in qualitative-quantitative pre-selection procedures. The overall objective of the present study was to improve the accuracy of monthly sales forecasts in the Chinese automotive market. This objective was achieved by showing that the forecasting error could be lowered to a new benchmark of less than 10% in an out-of-sample forecasting application. / Absatzprognosen sind ein zentraler Bestandteil der operativen Unternehmensplanung. In China, wie auch in anderen Schwellenländern, stellen vor allem monatliche Prognosen jedoch eine besondere Herausforderung für multinationale Automobilhersteller und deren Zulieferer dar. Ein Grund hierfür ist, dass konventionelle Prognoseverfahren der außergewöhnlich hohen Marktdynamik nicht ausreichend gerecht werden. In der vorliegenden Dissertationsschrift werden Künstliche Neuronale Netze mit integriertem Backpropagation-Algorithmus als alternatives Marktprognoseverfahren eingehend beleuchtet. Erprobt vor allem in hochvolatilen Finanzmarktanwendungen ist diese Form künstlicher Intelligenz imstande, hochkomplexe Zusammenhänge zu entschlüsseln und selbständig aus Prognosefehlern zu lernen. Ein Kernelement der statistischen Modellierung ist die Auswahl von geeigneten Frühwarnindikatoren, die unter anderem durch Experteninterviews in chinesischer Sprache bei Regierungsablegern erhoben wurden. Die ökonomische Plausibilität der genannten Indikatoren wird in qualitativ-quantitativen Vorauswahlverfahren kritisch reflektiert. Grundlegendes Ziel des Forschungsprojektes war es, die Güte der monatlichen Absatzprognosen im chinesischen Automobilmarkt zu verbessern. Dieses Ziel konnte mit Unterschreitung der entscheidenden 10%-Prognosefehlerschwelle im Validierungsdatensatz erreicht werden.

Die modellprädiktive Regelung (MPC) hat sich in vielen industriellen Anwendungen bewährt. Ein Nachteil ist jedoch der hohe Rechenaufwand, bedingt durch die erforderliche Lösung eines Optimierungsproblems in jedem Abtastschritt. In diesem Beitrag wird die entworfene MPC daher durch ein neuronales Netz approximiert. Als neuronales Netz wird ein Multi-Layer-Perceptron (MLP) verwendet. Mit dem trainierten MLP sind nur noch Matrix-Vektor-Multiplikationen erforderlich, die effizient berechnet werden können. Das trainierte MLP wird in C++ Code übersetzt und durch einen Industrie- PC ausgeführt. Am akademischen Beispiel einer Wippenwinkel-Regelung wird die Funktionsfähigkeit und der geringere Rechenbedarf demonstriert.

Zugl.: Stuttgart, Univ., Diss., 2006

Rekursive Auto-Assoziative Speicher (RAAM) sind spezielle Neuronale Netze (NN), die in der Lage sind, hierarchiche Strukturen zu verarbeiten. Bei der Simulation dieser Netze gibt es einige Besonderheiten, wie z.B. die dynamische Trainingsmenge, zu beachten. In der Arbeit werden diese und die daraus resultierenden angepassten Lernalgorithmen erörtert. Außerdem wird ein normaler Backpropagation-Simulator (Xerion) um die Fähigkeiten für die Simulation von RAAMs erweitert.

Diese Diplomarbeit beschäftigt sich mit der Entwicklung von Teststrukturen zur Charakterisierung von Mikrosystemen auf Waferebene. Sie dienen zur Bestimmung von Prozesstoleranzen. Ziel dieser Arbeit ist es, einen Algorithmus zu entwickeln, mit dem Teststrukturen optimiert werden können. Dazu wird ein Ansatz zur Optimierung von Teststrukturen mittels eines Genetischen Algorithmus untersucht. Grundlage für diesen ist eine Bewertung der Strukturen hinsichtlich der Sensitivität gegenüber den Fertigungsparametern und der Messbarkeit der Eigenmoden. Dem Leser wird zuerst ein Einblick in das Themengebiet und in die Verwendung von Teststrukturen gegeben. Es folgen Grundlagen zur Fertigung und Messung von Mikrosystemen, zur Parameteridentifikation, sowie zu Optimierungsalgorithmen. Anschließend wird ein Bewertungs- und Optimierungskonzept, sowie eine Softwareimplementation für die sich aus der Optmierung ergebenden Aufgaben, vorgestellt. Unter anderem eine Eigenmodenerkennung mittels Neuronalem Netz und einer auf der Vandermond’schen Matrix basierende Datenregression. Die Ergebnisse aus der Umsetzung durch ein Testframework werden abschließend erläutert. Es wird gezeigt, dass die Optimierung von Teststrukturen mittels Genetischem Algorithmus möglich ist. Die dargestellte Bewertung liefert für die untersuchten Teststrukturen nachvollziehbare Resultate. Sie ist in der vorliegenden Form allerdings auf Grund zu grober Differenzierung nicht für den Genetischen Algorithmus geeignet. Entsprechende Verbesserungsmöglichkeiten werden gegeben. / This diploma thesis deals with the development of test-structures for the characterization of microsystems on wafer level. Test-structures are used for the determination of geometrical parameters and material properties deviations which are influenced by microsystem fabrication prozesses. The aim of this work is to establish principles for the optimization of the test-structures. A genetic algorithm as an approach for optimization is investigated in detail. The reader will get an insight in the topic and the application of test-structures. Fundamentals of fabrication and measurement methods of microsystems, the parameter identification procedure and algorithms for optimization follow. The procedures and a corresponding software implementation of some applied issues, which are needed for the optimization of test structures, are presented. Among them are neural network algorithms for mode identification and a data regression algorithm, based on Vandermonde Matrix. Results of implemented software algorithms and an outlook conclude this work. It is shown, that the optimization of test-structure using a genetic algorithm is possible. An automated parameter variation procedure and the extraction of important test-structures parameters like sensitivity and mode order are working properly. However, the presented evaluation is not suitable for the genetic algorithm in the presented form. Hence, improvements of evaluation procedure are suggested.

Techn. Univ., Diss.--Ilmenau, 2006.