Zugl.: München, Univ., Diss., 2008

Zugl.: Schwäbisch-Gmünd, Pädag. Hochsch., Diss., 2009.

Zugl.: Paderborn, Universiẗat, Diss., 2006.

Zugl: Darmstadt, Techn. Univ., Habil.-Schr., 2006.

Universiẗat, Diss., 2005--Tübingen.

Diss. Wirtsch.-wiss. St. Gallen, 2005 ; Nr. 3119. / Buchhandelsausg. u.d.T.: Qualität in eLearning. Literaturverz.

Zugl.: Leipzig, Univ., Habil.-Schr., 2009

Techn. University, Diss., 2006--Darmstadt.

Zugl.: Flensburg, Universiẗat, Diss., 2009.

Beim Entwurf von Regelungen für technische Prozesse werden klassischerweise modellbasierte Entwurfsmethoden eingesetzt. Diese stoßen jedoch an Grenzen, wenn der Aufwand für eine ausreichend genaue Modellierung zu hoch wird oder das Modell aufgrund der Zeitvarianz des Prozesses seine Validität verliert. Die Alternative besteht darin, zur Entwurfszeit nur einen Sicherheitsrahmen zu stecken und das Detailwissen, wie genau der technische Prozess zu regeln ist, erst zur Laufzeit durch maschinelle Lernverfahren zu optimieren. Um aber den Erfolg und die Sicherheit eines solchen Lernvorgangs gewährleisten zu können ohne wiederum ein formales Modell zu benötigen, muss der zur Entwurfszeit gesteckte Sicherheitsrahmen ausreichend eng sein, darf aber nur Hintergrundwissen nutzen, das dem Entwickler ohne ein Modell auch zur Verfügung steht. In dieser Arbeit wird argumentiert, dass ein entsprechender Sicherheitsrahmen durch in der Literatur vorhandene Entwurfsmethoden grundlegend erreicht werden kann, aber auch gezeigt, dass eine bestimmt Art von solchem Hintergrundwissen, nämlich erwartete funktionale Eigenschaften der zu lernenden Reglerabbildung, in der Literatur bisher nur in Form des SILKE-Ansatzes ausgenutzt wird. Dieser Ansatz wird in der vorliegenden Arbeit erweitert und formal als inkrementelle, lokale Regularisierung dargelegt. Somit lässt sich das Hintergrundwissen über erwartete funktionale Eigenschaften gezielt für einen robusteren Lernvorgang ausnutzen. Diese Arbeit legt die formalen Grundlagen für eine stabile Arbeitsweise der dazu nötigen Algorithmen, entwickelt Entwurfsrichtlinien und zeigt wesentliche Charakteristika des Zusammenspiels von inkrementellem Lernen und inkrementeller Regularisierung. Schließlich wird an realen technischen Prozessen demonstriert, dass ein regularisierter Lernvorgang im geschlossenen Wirkungskreis systematisch robuster wird.