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.

Im Rahmen dieser Dissertation bemühe ich mich, den statistischen Ansatz der zeitkontinuierlichen dynamischen Modellierung, der die Rolle der Zeit explizit berücksichtigt, zu erweitern und praktisch anwendbar zu machen. Diese Dissertation ist so strukturiert, dass ich in Kapitel 1 die Natur dynamischer Modelle bespreche, verschiedene Ansätze zum Umgang mit mehreren Personen betrachte und ein zeitkontinuierliches dynamisches Modell mit Input-Effekten (wie Interventionen) und einem Gaußschen Messmodell detailliert darstelle. In Kapitel 2 beschreibe ich die Verwendung der Software ctsem für R, die als Teil dieser Dissertation entwickelt wurde und die Modellierung von Strukturgleichungen und Mixed-Effects über einen frequentistischen Schätzansatz realisiert. In Kapitel 3 stelle ich einen hierarchischen, komplett Random-Effects beinhaltenden Bayesschen Schätzansatz vor, unter dem sich Personen nicht nur in Interceptparametern, sondern in allen Charakteristika von Mess - und Prozessmodell unterscheiden können, wobei die Schätzung individueller Parameter trotzdem von den Daten aller Personen profitiert. Kapitel 4 beschreibt die Verwendung der Bayesschen Erweiterung der Software ctsem. In Kapitel 5} betrachte ich die Natur experimenteller Interventionen vor dem Hintergrund zeitkontinuierlicher dynamischer Modellierung und zeige Ansätze, die die Art und Weise adressieren, mit der Interventionen auf psychologische Prozesse über die Zeit wirken. Das berührt Fragen, wie: 'Nach welcher Zeit zeigt eine Intervention ihre maximale Wirkung', 'Wie ändert sich die Form des Effektes im Laufe der Zeit' und 'Für wen ist die Wirkung am stärksten oder dauert am längsten an'. Viele Bei-spiele, die sowohl frequentistische als auch bayessche Formen der Software ctsem verwenden, sind enthalten. Im letzten Kapitel fasse ich die Dissertation zusammen, zeige Limitationen der angebotenen Ansätze auf und stelle meine Gedanken zu möglichen zukünftigen Entwicklungen dar. / With this dissertation I endeavor to extend, and make practically applicable for psychology, the statistical approach of continuous time dynamic modelling, in which the role of time is made explicit. The structure of this dissertation is such that in Chapter 1, I discuss the nature of dynamic models, consider various approaches to handling multiple subjects, and detail a continuous time dynamic model with input effects (such as interventions) and a Gaussian measurement model. In Chapter 2, I describe the usage of the ctsem software for R developed as part of this dissertation, which provides a frequentist, mixed effects, structural equation modelling approach to estimation. Chapter 3 details a hierarchical Bayesian, fully random effects approach to estimation, allowing for subjects to differ not only in intercept parameters but in all characteristics of the measurement and dynamic models -- while still benefiting from other subjects data for parameter estimation. Chapter 4 describes the usage of the Bayesian extension to the ctsem software. In Chapter 5 I consider the nature of experimental interventions in the continuous time dynamic modelling framework, and show approaches to address questions regarding the way interventions influence psychological processes over time, with questions such as 'how long does a treatment take to reach maximum effect', `how does the shape of the effect change over time', and 'for whom is the effect strongest, or longest lasting'. Many examples using both frequentist and Bayesian forms of the ctsem software are given. For the final chapter I summarise the dissertation, consider limitations of the approaches offered, and provide some thoughts on possible future developments.

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.