Im folgenden soll zu jedem Projektthema ein Einstiegsprojekt umgesetzt werden, das in besserer Weise illustriert, wie die Themen zu interpretieren sind, als eine rein textliche Beschreibung. Außerdem werden dadurch Grundlagen vermittelt, die notwendig sind, um die Projekte erfolgreich zu behandeln. Da die KI-bezogenen Projekte aus dem Bereich Softcomputing stammen, soll dieser Begriff zunächst bestimmt werden und ein auf den hier vorliegenden Fokus (Implementierung auf eingebettete Systeme) begrenzter Überblick gegeben werden.

Gebiet der Informatik, das sich teilweise mit Künstlicher Intelligenz überschneidet, in dem es darum geht, anstatt exakte Lösungen aufgrund vollständiger Information, gute Näherungslösungen bei unvollständiger Information zu finden.

Damit orientiert sich dieses Gebiet an den natürlichen menschlichen Gegebenheiten, wo es auch selten vollständige Informationen gibt, sondern einfache Anweisungen genügen müssen, um beispielsweise zu lernen, wie man Fahrad fährt.

Da diese Ansätze somit mit geringeren Informationsmengen klar kommen, ist auch deren Ressourcenbedarf i.d.R. geringer als bei vergleichbaren Standardlösungen, wie beispielsweise die Identifikation von Regelstrecken und die Auslegung eines Zustandsreglers mit Beobachter in der Regelungstechnik. Deshalb finden sich hier am ehesten Kandidaten an Grundtypen zur Lösung diverser informationstechnischer Aufgaben, die auch geeignet sind, auf eingebetteten Systemen implementiert zu werden.

In das Gebiet von Softcomputing fallen u.a.:

Siehe beispielsweise:

Neuro-Fuzzy ist ein Überbegriff, der verschiedene Ansätze Neuronale Netze und Fuzzy-Systeme kombiniert zu benutzen zusammenfaßt.

Im Allgemeinen besteht das Ziel der Kombination darin, die jeweiligen Nachteile des anderen Parts auszugleichen.

So zeichnen sich Neuronale Netze positiv dadurch aus, dass sie belernt werden können und dies auch während des Betriebs noch möglich ist. Andererseits ist das Wissen bei Neuronalen Netzen nicht explizit abrufbar, noch auf diese direkt übertragbar.

Bei Fuzzy-Systemen verhält es sich genau umgekehrt: Für Fuzzy-Systeme exisitert in ihrer Grundform kein Verfahren, um diese automatisch zu verbessern. Andererseits zeichnen sich Fuzzy-Systeme positiv dadurch aus, dass hier menschliches Wissen in Form von Wenn-Dann-Regeln auf Fuzzy-Sets direkt abgebildet werden kann und umgekehrt auch aus einem Fuzzy-System herausgelesen werden kann.

Folgende drei Grundansätze können bei Neuro-Fuzzy unterschieden werden:

Diese Aufteilung ist allerdings nur grob und die existierenden Ansätze sind sehr vielfältig und jeweils vom zu lösenden Problem abhängig. Allgemein repräsentieren sie aber in allen Fällen eine effizientere Lösungsstrategie, die weniger Ressourcen benötigt, als eine Konzentration auf einen einzigen Ansatz. Damit bilden sie einen vielversprechenden Einstiegspunkt, um unter den Kandidaten der KI-Techniken solche zu identifizieren, die prinzipiell gute Voraussetzungen dafür bieten, in eingebetteten Systemen eingesetzt zu werden.

Ein erster Schritt könnte sein zunächst zu prüfen, inwieweit die einzelnen möglichen Zustände von STD_LOGIC durch Anschluß eines Potentiometers als Spannungsteiler an einem einfachen digitalen PMOD-Eingang abgerufen werden können und wie stabil diese Zustände sind, bzw. wie sauber die zugehörigen Bereiche definiert sind und ineinander übergehen.

Die oben als sinnvolle Kandidaten bezeichneten Zustände könnte mittels eines Programms bei ihrem Eintreten mit dem Aufleuchten einer bestimmten LED gekoppelt sein.

Funktion des nachfolgenden Beispiels:

Siehe als Einstiegsbeispiel folgende Umsetzung zur Erzeugung und zyklischen Veränderung eines Pulsweiten modulierten Signals mit reinen VHDL-Mitteln unter Einsatz mehrerer parallel laufender Prozesse:

Der Kompatibilität zu dem zuvor entwickelten diskreten Neuronalen Netz wegen, sollte der gleiche Zahlenbereich wie dort verwendet werden (2 Byte signed Integer, short in Java).

Gewisse Vereinfachungen bei der Möglichkeit, wie ein Fuzzy-Set geformt sein kann, sollten ausgenutzt werden, wie: Fuzzygrößen sind immer symmetrisch, im Ausgangsset ev. sogar alle gleich breit. An Testfall sollte die Brauchbarkeit belegt werden.

Für Hinweise zu einer konkreten Umsetzung siehe auch die nachfolgenden Fallbeispiele im KI-Bereich.

Als Beispielaufgabe wird die Beruhigung eines linearen Feder-Masse-Systems mittels eines Regelkreises benutzt. Die Einfachheit des Systems und auch die Einfachheit der Lösung bei der Regelung gewährleistet, dass nicht unnötig Arbeit in das Verständnis des Beispiels gesteckt werden muß.

Im Hinblick auf eine eventuelle nachfolgende Diskretisierung und Übertragung auf einen FPGA, wird auch das Modell selbst und dessen Integration so gewählt, das dies prinzipiell möglich ist:

Die Masse m wird der Einfachheit halber mit 1kg angesetzt.

Klassische Lösung zuerst: Zustandsregler.

Die maximal verfügbare Kraft soll begrenzt sein. Die Obergrenze wird einfach anhand der Lösung beim Zustandsregler festgelegt. Ansatz hier: technische Stabilität, EW bei -sqrt(q)+/-i*sqrt(q)

(Aber schon eine Begrenzung der Kraft auf unterhalb von 20N würde das ändern.)

Das vorangehende Beispiel wird nach Java übertragen und dann ein Fuzzy-Regler implementiert.

Diese Aufgabe fällt in die dritte Kategorie bei den Varianten von Neuro-Fuzzy: Hier ist ein NN dem Fuzzy-System vor- bzw. nachgeschaltet, um die Ein- bzw. Ausgaben vor- bzw. nachzuverarbeiten.

Der Nachteil dieses Ansatzes liegt darin, dass hier kein verstehbares Verhalten auf das NN übertragen wird, sondern lediglich die Plastizität (Lernfähigkeit) des NN ausgenutzt wird, um nicht ganz optimales Verhalten des Fuzzy-Systems auszugleichen.

Die Inflexibilität und Kompliziertheit was die Anpassungs- und Veränderbarkeit eines Fuzzy-Systems betrifft, wird hier also durch den Einsatz eines NN als Pre- oder Postprozessor kompensiert.

Wieder kann die Methode des Reinforced Learnings eingesetzt werden, wie sie beispielhaft in dem ausführlich dargestellten Projekt oben als "Tuning" bezeichnet wurde.

Neuronale Netze, deren Struktur unmittelbar als Fuzzy-System interpretiert werden kann, stellen sicher die eleganteste und effizienteste Methodik bei Neuro-Fuzzy dar.

Hierbei müssen aber neuartige Schwellwertfunktionen und Verbindungsarten eingeführt werden, um diese Hybridheit tatsächlich umzusetzen.

Ansätze sehen grob erklärt wie folgt aus:

Da die Vorteile des hybriden Ansatzes aber erst zum Tragen kommen, wenn alle Fuzzy-Funktionen durch differenzierbare Funktionen ersetzt werden und darauf aufsetzend eigene Lernmethoden für die entstehenden speziellen Netze entwickelt werden, wird im Rahmen dieser Lehrveranstaltung auf die Einführung dieser Technik verzichtet. Einerseits müßte hier eine ganz eigene Theorie neu erlernt werden, was das Belernen, aber auch was die Interpretation der Netze als Fuzzy-Systeme anbelangt. Zum andern aber läuft die Forderung differenzierbare Funktionen und damit zwangsweise Fließkommazahlen zu verwenden konträr zu dem hier verfolgten Ansatz, leichtgewichtige, diskret umsetzbare KI-Techniken so anzupassen, dass sie sich gut auf eingebettete Systeme übertragen lassen.