DE4408264A1 - Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises - Google Patents
Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-RegelkreisesInfo
- Publication number
- DE4408264A1 DE4408264A1 DE4408264A DE4408264A DE4408264A1 DE 4408264 A1 DE4408264 A1 DE 4408264A1 DE 4408264 A DE4408264 A DE 4408264A DE 4408264 A DE4408264 A DE 4408264A DE 4408264 A1 DE4408264 A1 DE 4408264A1
- Authority
- DE
- Germany
- Prior art keywords
- fuzzy
- output
- neurons
- fulfillment
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
- G06N7/046—Implementation by means of a neural network
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Erzeugung einer
scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkrei
ses, dessen Fuzzy-Inferenzmaschine in Abhängigkeit von ge
messenen Prozeßgrößen im Gesamtbereich der Stellgrößen eine
oder mehrere Fuzzy-Mengen möglicher Stellgrößen mit innerhalb
jeder Fuzzy-Menge unterschiedlichen Zugehörigkeitsgraden
liefert, wobei jede Fuzzy-Menge zu einer in der Infe
renzmaschine verarbeiteten Regel gehört und durch den Er
füllungsgrad der zugehörigen Regel nach oben abgeschnitten
ist, wobei zum Zwecke der Defuzzifizierung die Relevanz der
verschiedenen Regeln in einer Prioritätenreihenfolge fest
legbar ist, die bei der Auswahl der jeweils zur Ausgabe der
scharfen Ausgangsstellgröße heranzuziehenden Regel berück
sichtigt wird, über den Gesamtbereich der Stellgrößen begin
nend mit der minimalen oder der maximalen Stellgröße schritt
weise für jede mögliche Stellgröße die Zugehörigkeitsgrade in
der heranzuziehenden Regel ermittelt werden und anschließend
diejenige Stellgröße als scharfe Ausgangsstellgröße ausge
wählt und ausgegeben wird, bei der der Zugehörigkeitsgrad
erstmals sein Maximum erreicht, nach Patent 42 32 752.
Bisher werden beim Verfahren nach dem Hauptpatent P 42 32 752
für die Inferenzmaschine herkömmliche, im wesentlichen mit
seriellem Datenfluß arbeitende Prozessoren verwendet. Dabei
tritt der Nachteil auf, daß es aufwendig und umständlich ist,
die Inferenzmaschine an den jeweiligen Einsatzzweck anzupas
sen. Bei derartig aufgebauten Inferenzmaschinen ist es näm
lich unabdingbar, das gesamte erforderliche Expertenwissen,
d. h. die komplette Fuzzy-Regelbasis und die Inferenzregeln,
bei der Installation, beispielsweise in einem Fuzzy-Regler,
von vornherein vorzugeben. Dabei ist es problematisch, daß
das als Grundlage für den Regelungsprozeß dienende Experten
wissen oftmals unvollständig und/oder nicht hinreichend genau
bekannt ist. Außerdem ist die Implementierung neuer Wissens
basen häufig umständlich und zeitaufwendig.
Darüber hinaus hat eine serielle Datenverarbeitung den Nach
teil, daß sie, besonders bei komplexen Regelzusammenhängen,
verhältnismäßig langsam arbeitet. Aus diesem Grunde wird der
Zeitgewinn, der durch die schnelle Defuzzifizierung nach dem
Hauptpatent erzielbar ist, zumindest zum Teil wieder zunichte
gemacht.
Es ist deshalb Aufgabe der Erfindung, einen Fuzzy-Regelkreis
nach dem Hauptpatent schneller und besser anpassungsfähig zu
machen.
Zur Lösung dieser Aufgabe schlägt die Erfindung ausgehend von
dem Verfahren nach dem Hauptpatent vor,
- - daß die Inferenzmaschine von einem neuronalen Netz gebil det wird, welches den gemessenen Prozeßgrößen Fuzzy-Mengen zuordnet und die Erfüllungsgrade der Fuzzy-Mengen zu Er füllungsgraden von Inferenz-Regeln zusammensetzt;
- - daß in einer Neuronenschicht eine Prioritätsbewertung der Erfüllungsgrade erfolgt;
- - und daß in einer Ausgangsneuronenschicht die Defuzzifizie rung unter Berücksichtigung der Prioritätsbewertung er folgt.
Das nach der Lehre der Erfindung als Inferenzmaschine verwen
dete neuronale Netz ist sowohl zur Assoziation als auch zur
Adaption von Expertenwissen fähig, d. h., daß Expertenwissen
an einem konkreten Regelungsprozeß anlernbar ist und Zustände
des zu regelnden Systems auch dann wiedererkannt werden, wenn
sie fehlerhaft gegenüber dem erlernten Wissen sind. Ein gemäß
der Erfindung aufgebauter Fuzzy-Regler ermöglicht erstmals
ein dynamisches Erlernen der Fuzzy-Mengen und deren Ordnung
nach Zugehörigkeit zu den Inferenz-Regeln. Es ist nämlich ein
wesentlicher Vorzug des Verfahrens nach dem Hauptpatent, daß
auch komplexe, nichtlineare Regelkennlinien kontrolliert mo
dellierbar sind, die aus den zugrundeliegenden physikalischen
Zusammenhängen resultieren.
In einer bevorzugten Ausführungsform weist das neuronale Netz
Neuronen auf, deren Erregungsfunktion eine Fuzzy-Funktion
ist. Dadurch können als scharfe Eingangsgrößen der Neuronen,
z. B. gemessene Prozeßgrößen, fuzzifiziert werden, d. h. die
Erfüllungsgrade der Fuzzy-Mengen von linguistischen Variabeln
des Systems bestimmt werden. Die Verknüpfung dieser Fuzzy-
Mengen nach Inferenz-Regeln ist unter besonders geringem
Aufwand durchführbar, wenn die Gewichte in der Aktivierungs
funktion eines Neurons durch Fuzzy-Mengen gegeben sind. Die
Fuzzy-Mengen können dynamisch am realen Prozeß angelernt wer
den, wodurch die Implementierung von Expertenwissen erheblich
vereinfacht wird.
Es hat sich gezeigt, daß es zweckmäßig ist, Fuzzifizierungs-
und Defuzzifizierungs-Verfahren aufeinander abzustimmen. Des
wegen ist es vorteilhaft, daß das neuronale Netz Neuronen
aufweist, deren Ausgabefunktion eine Fuzzy-Funktion ist. Der
artige Fuzzy-Neuronen haben die Eigenschaft, daß sie - im Ge
gensatz zu herkömmlichen Neuronen - einen kontinuierlich va
riablen Erregungszustand bzw. Ausgabewert annehmen können.
Wird die Ausgangsfunktion erfindungsgemäß als Fuzzy-Funktion
gestaltet, ist die Defuzzifizierung unter Berücksichtigung
des jeweiligen Erfüllungsgrades von Ausgangs-Fuzzy-Mengen in
den Neuronen der Ausgangsschicht durchführbar. Die entspre
chenden Ausgabe-Fuzzy-Mengen sind ebenfalls dynamisch am Re
gelprozeß erlernbar.
Wird sowohl für die Erregungs- als auch für die Ausgangsfunk
tion eine Fuzzy-Funktion eingesetzt, können vollständige In
ferenz-Regeln in einzelnen Neuronen abgearbeitet werden. Ins
besondere Fuzzy-Regler, die mit einfachen linguistischen Ter
men auskommen, sind klar strukturierbar und erfordern ein Mi
nimum an Bauelementen.
Eine besonders vorteilhafte Ausführungsform von Neuronen
sieht vor, daß die Ausgangsfunktion eine lineare Defuzzifi
zierungsfunktion ist. Im Gegensatz zur häufig zum Einsatz ge
langenden Schwerpunktmethode hat eine lineare Defuzzifizie
rungsmethode wie die in dem Hauptpatent vorgeschlagene hin
sichtlich der praktischen Realisierung wesentliche Vorteile.
Durch die Vorgabe von Fuzzy-Mengen entsprechender Ausformung
sind nahezu beliebige lineare und nichtlineare Ausgangskenn
linien realisierbar. Damit wird eine optimale Anpassung an
die dem Regelkreis zugrundeliegenden physikalischen Zusammen
hänge erreicht, ohne daß eine Linearisierung oder Approxima
tion an andere vorgegebene Funktionen durchgeführt werden
müßte. Außerdem erfordert eine derartige Defuzzifizierung ge
genüber anderen Verfahren eine wesentlich geringere Rechenka
pazität. Infolgedessen sind hohe Arbeitsgeschwindigkeiten bei
geringem technischen Aufwand erzielbar.
Ein Ausführungsbeispiel der Erfindung wird im folgenden an
hand der Zeichnung näher erläutert. Es zeigen im einzelnen:
Fig. 1 einen Fuzzy-Regler gemäß der Er
findung;
Fig. 2 den Ausschnitt I aus Fig. 1 in
vergrößerter Darstellung.
In Fig. 1 ist der Fuzzy-Regler als ganzes mit dem Bezugszei
chen 1 versehen. Auf der in der Darstellung linken Seite ist
dieser mit Eingängen versehen, in die Eingangssignale x₁, x₂,
. . . , xn eingespeist werden. Diese sind beispielsweise an ei
nem zu regelnden Prozeß gemessene Prozeßgrößen.
Die Eingabegrößen x₁-xn werden jeweils in die übereinander
angeordneten Neuronen En der Eingangsschicht E eingeleitet.
Diese Neuronen En haben lediglich die Aufgabe, die Eingangs
signale x₁-xn an die nächste Neuronenschicht weiterzuleiten.
Auf die Eingangs-Neuronenschicht E folgt eine nächste Schicht
A. Diese besteht aus den in der Zeichnung übereinander ange
ordneten Neuronen Ak, die jeweils mit allen Eingangsgrößen
x₁-xn verbunden sind. In der Schicht A werden die Eingangs
größen x₁-xn fuzzifiziert und gemäß dem durch die Netz-Topo
logie und dem intern in den Neuronen Ak vorgegebenen Infe
renz-Schema verarbeitet. Hierzu sind in den Neuronen Ak Fu
zzy-Aktivierungsfunktionen implementiert.
Von der Neuronenschicht A werden die Erfüllungsgrade h₁-hi
der Inferenzregeln als kontinuierliche Werte ausgegeben.
Diese werden an eine weitere verborgene Neuronenschicht mit
der Bezeichnung MAX weitergeleitet, die aus den Neuronen MAXm
gebildet wird.
Jeweils ein MAXm-Neuron ist mit einem Ausgangsneuron Bm einer
Ausgangs-Neuronenschicht B verbunden. Die Ausgabegrößen der
Ausgangs-Neuronenschicht B sind mit u₁-um bezeichnet und wer
den als Stellgrößen dem zu regelnden Prozeß zugeführt.
Die Neuronen Ak der Neuronenschicht A können sowohl einzelne
Neuronen sein als auch ihrerseits wieder aus einer Vielzahl
einzelner Neuronen bestehen. Ein derartiger Aufbau des in dem
gestrichelten Bereich I in Fig. 1 enthaltenen Neurons ist in
Fig. 2 dargestellt. Darin treffen die Eingabewerte x₁-xn
zunächst einzeln in Neuronen der mit Aÿ bezeichneten Neu
ronenschicht. Deren Ausgabewerte dienen als Eingabegrößen ei
nes mit MIN bezeichneten Neurons. Dessen Ausgabewert h ist
identisch mit einem der Erfüllungsgrade h₁-hi aus Fig. 1.
Im Betrieb eines Fuzzy-Reglers 1 gemäß Fig. 1 werden Prozeß
größen gemessen und als Eingabewerte x₁-xn in die Eingangs-
Neuronen En der Eingangs-Neuronenschicht E eingegeben. Diese
leiten die x₁-xn als Eingangswerte an die Neuronen Ak einer
ersten verborgenen Neuronenschicht weiter.
In der Schicht A gelangt jeder Eingangswert x₁-xn zunächst in
ein Neuron der in Fig. 2 mit Aÿ bezeichneten Schicht. Die
Aktivierungsfunktionen jedes dieser Neuronen ordnet den Ein
gangsgrößen x₁-xn eine Fuzzy-Menge Aÿ zu. An dieser Stelle
findet demzufolge die Fuzzifizierung statt; jedem Eingabewert
x wird ein Erfüllungsgrad Aÿ (x) zugeordnet. Die lineare
Ausgangsfunktion dieser Neuronen gibt diesen an ein MIN-
Neuron weiter.
Das MIN-Neuron enthält als Aktivierungsfunktion den Fuzzy-
MIN-Operator. Darin werden die Erfüllungsgrade Aÿ (xj) nach
einem vorgegebenen Inferenz-Schema zum Erfüllungsgrad h einer
Inferenzregel zusammengesetzt. Auf diese Weise wird in allen
Neuronen der Schicht A verfahren.
Die solchermaßen ermittelten Erfüllungsgrade h₁-hi gelangen
in die Neuronen der Schicht MAX. Jedes MAX-Neuron ermittelt
durch seine Aktivierungsfunktion das Maximum der Werte h₁-hi.
Nur das MAX-Neuron, welchem das als maximal identifizierte
h₁-hi zugeordnet ist, aktiviert das an seiner Ausgangsseite
angeschlossene Ausgangsneuron Bm in der Ausgangsneuronen
schicht B.
Nur das angesprochene Ausgangsneuron Bm setzt den Erfül
lungsgrad h₁-hi gemäß des in ihm enthaltenen Defuzzifizie
rungs-Algorithmus in einen scharfen Ausgabewert u₁-um um.
Dieser scharfe Ausgabewert wird als Stellgröße dem zu regeln
den Prozeß zugeführt.
Es ist besonders vorteilhaft, wenn die Ausgabefunktion der
Ausgangsneuronen Bm die Defuzzifizierung einer Ausgabe-Fuzzy-
Menge mit dem Erfüllungsgrad h₁-hi nach einer linearen Defu
zzifizierungsmethode vornimmt. Damit lassen sich nahezu be
liebige Ausgabefunktionen - auch nichtlineare - modellieren.
Ein erfindungsgemäßer Fuzzy-Reglers wird zunächst parallel zu
einem realen Prozeß mitgefahren. Das Inferenzschema ist dabei
durch den Aufbau des neuronalen Netzes 1 und die Architektur
der in ihm enthaltenen Neuronen der Schichten A und B
vorgegeben. Die Fuzzy-Mengen, die bei der Fuzzifizierung in
den Neuronen der Schicht A und bei der Defuzzifizierung in
den Ausgangsneuronen der Schicht B verwendet werden, werden
unmittelbar als Expertenwissen aus dem zu regelnden Prozeß
erlernt. Nach dem Abschluß der Lernphase ist der Fuzzy-Regler
in der Lage, den Prozeß selbsttätig zu regeln.
Claims (4)
1. Verfahren zur Erzeugung einer scharfen Ausgangs
stellgröße am Ausgang eines Fuzzy-Regelkreises, dessen Fuzzy-
Inferenzmaschine in Abhängigkeit von gemessenen Prozeßgrößen
im Gesamtbereich der Stellgrößen eine oder mehrere Fuzzy-Men
gen möglicher Stellgrößen mit innerhalb jeder Fuzzy-Menge un
terschiedlichen Zugehörigkeitsgraden liefert, wobei jede Fu
zzy-Menge zu einer in der Inferenzmaschine verarbeiten Regel
gehört und durch den Erfüllungsgrad der zugehörigen Regel
nach oben abgeschnitten ist, wobei zum Zwecke der Defuzzifi
zierung die Relevanz der verschiedenen Regeln in einer Prio
ritätenreihenfolge festlegbar ist, die bei der Auswahl der
jeweils zur Ausgabe der scharfen Ausgangsstellgröße heranzu
ziehenden Regel berücksichtigt wird, über den Gesamtbereich
der Stellgrößen, beginnend mit der minimalen oder der maxima
len Stellgröße schrittweise für jede mögliche Stellgröße die
Zugehörigkeitsgrade in der heranzuziehenden Regel ermittelt
werden und anschließend diejenige Stellgröße als scharfe Aus
gangsstellgröße ausgewählt und ausgegeben wird, bei der der
Zugehörigkeitsgrad erstmals sein Maximum erreicht, nach Pa
tent 42 32 752,
dadurch gekennzeichnet,
- - daß die Inferenzmaschine von einem neuronalen Netz (6) ge bildet wird, welches den gemessenen Prozeßgrößen (x₁, x₂, . . . , xn) Fuzzy-Mengen (Aÿ) zuordnet und die Erfüllungs grade (Aÿ(x)) der Fuzzy-Mengen (Aÿ) zu Erfüllungsgraden (h₁-hi) von Inferenz-Regeln zusammensetzt;
- - daß in einer folgenden Neuronenschicht eine Prioritätsbe wertung der Erfüllungsgrade (h₁-hi) erfolgt;
- - und daß in einer Ausgangsneuronenschicht die Defuzzifizie rung unter Berücksichtigung der Prioritätsbewertung er folgt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet,
daß das neuronale Netz Neuronen (Ak, Aÿ, MAX, Bm) aufweist,
deren Erregungsfunktion eine Fuzzy-Funktion ist.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet,
daß das neuronale Netz Neuronen (Ak, Aÿ, Bm) aufweist, deren
Ausgabefunktion eine Fuzzy-Funktion ist.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet,
daß die Ausgabefunktion eine lineare Defuzzifizierungsfunk
tion ist.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4408264A DE4408264A1 (de) | 1992-09-30 | 1994-03-11 | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4232752A DE4232752C1 (de) | 1992-09-30 | 1992-09-30 | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises |
DE4340660 | 1993-11-30 | ||
DE4408264A DE4408264A1 (de) | 1992-09-30 | 1994-03-11 | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4408264A1 true DE4408264A1 (de) | 1995-07-27 |
Family
ID=25919009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4408264A Withdrawn DE4408264A1 (de) | 1992-09-30 | 1994-03-11 | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4408264A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2273326A1 (de) * | 2009-07-09 | 2011-01-12 | WIFAG Maschinenfabrik AG | Regler für eine Druckmaschine |
RU2504002C1 (ru) * | 2012-10-30 | 2014-01-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ФГБОУ ВПО "КубГТУ") | Модифицированный интеллектуальный контроллер с нечеткими правилами |
-
1994
- 1994-03-11 DE DE4408264A patent/DE4408264A1/de not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2273326A1 (de) * | 2009-07-09 | 2011-01-12 | WIFAG Maschinenfabrik AG | Regler für eine Druckmaschine |
RU2504002C1 (ru) * | 2012-10-30 | 2014-01-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ФГБОУ ВПО "КубГТУ") | Модифицированный интеллектуальный контроллер с нечеткими правилами |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3416939C2 (de) | ||
EP2112568B1 (de) | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems | |
DE4436658A1 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
EP1020815A2 (de) | Vorrichtung und Verfahren zur automatischen Diagnose eines technischen Systems mit effizienter Wiederverwendung von Informationen | |
DE102007001025A1 (de) | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems | |
DE3839675C2 (de) | Optimierer für ein parameterabhängiges Steuerungssystem | |
EP0897155A1 (de) | Verfahren zur Steuerung von Prozessvorgängen | |
DE4121453C2 (de) | Näherungsschlußfolgerungsvorrichtung | |
DE10139682A1 (de) | Verfahren zum Generieren von neuronalen Netzen | |
EP0689688B1 (de) | Fuzzy-standard-automatisierungssystem für industrielle anlagen | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
DE4408264A1 (de) | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises | |
DE4308083C1 (de) | Verfahren zur Erzeugung von Stellgrößen am Ausgang eines Fuzzy-Reglers und Fuzzy-Regler hierfür | |
DE102019206541A1 (de) | Verfahren zum Durchführen von computerunterstützten XiL-Simulationen | |
EP0791192B1 (de) | Verfahren zum entwurf eines fuzzy-reglers | |
DE4240789C2 (de) | Verfahren zur Identifizierung von Objekten | |
EP3785178A1 (de) | Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neuronalen netzes | |
DE4209746A1 (de) | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems | |
EP0814402A2 (de) | Verfahren zum Entwurf oder zur Adaption eines Fuzzy-Reglers oder eines Systems von verknüpften Fuzzy-Reglern | |
EP0813986A2 (de) | Verfahren zur Abstandsregelung für ein Fahrzeug | |
EP0700536B1 (de) | Regeleinrichtung | |
DE19624301B4 (de) | Lernverfahren für ein neuronales Netz | |
DE19527521C1 (de) | Lernverfahren für ein neuronales Netz | |
DE102018216172A1 (de) | Verfahren zum automatischen Erzeugen eines Labels zum Trainieren eines selbstlernenden Systems sowie Kraftfahrzeug | |
DE19748718A1 (de) | Regler - Selbsteinstellungseinrichtung auf der Grundlage Neuronaler Netze |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AF | Is addition to no. |
Ref country code: DE Ref document number: 4232752 Format of ref document f/p: P |
|
8141 | Disposal/no request for examination |