Kaum ein anderes naturwissenschaftliches Forschungsgebiet zeigt derzeit
eine solche Dynamik wie die Neuro- wissenschaft. Neuronale Methoden werden
vor allem dann eingesetzt, wenn es darum geht, aus schlechten oder
verrauschten Daten Informationen zu gewinnen. Algorithmen, die sich neuen
Situationen anpassen, also ein lernfähiges Verhalten aufweisen, sind typisch
für die Neuroinformatik.
Künstliche Neuronale Netze orientieren sich an ihrem natürlichen Vorbild,
dem Gehirn. Dort sind die Nerven- zellen (Neuronen) in einem dichten Netz
miteinander verbunden. Während wir etwas lernen, werden die Verbindungen
(Synapsen) zwischen Zellen, die für den Lernvorgang nötig sind, verändert.
Durch diese Adaption sind wir in der Lage, verschiedene Aufgaben zu
bewältigen und Lösungswege zu verallgemeinern. Mit dem Computer lässt sich
dieser Vorgang simulieren. Künstliche Neuronale Netze ahmen die Eigenart des
Gehirns nach, sich durch Lernvorgänge selbst zu organisieren. Sie können
grundsätzlich für jede Aufgabe eingesetzt werden, bei der es darum geht,
Zusammenhänge zwischen "unscharfen" Mustern zu erkennen.
Neue Problemlösungen
Dank neuronaler Technologien sind Problemstellungen lösbar, die mit
herkömmlichen Programmiermethoden nur mit erheblichem Aufwand oder unmöglich
realisierbar sind. Die Anwendungsbereiche reichen bis hin zur künstlichen
Intelligenz.
Die folgenden Abschnitte geben lediglich einen kurzen, einführenden
Einblick in die Funktionsweise von Künst- lichen Neuronalen Netzen:
Die Architektur Neuronaler Netze
Künstliche Neuronale Netze bestehen aus einer Gruppe von Zellen, die in
mehreren Schichten angeordnet sind.
|
Die Zellen der ersten Schicht dienen der Eingabe von
Problemstellungen (In- put Zellen).
|
Zwischen den äusseren Schichten können verborgene, von aussen
nicht zu- gängliche, Schichten mit weiteren Zellen liegen, welche
die Aufgabe verar- beiten (Hidden Zellen).
|
Die Zellen der letzten Schicht geben die Lösung aus dem Lern- und
Verarbei- tungsprozess aus (Output Zellen).
|
Jede Zelle einer Schicht ist vollständig mit allen anderen Zellen der
nachfolgenden Schicht verbunden. Je nach Aufgabenstellung beim Training
bilden sich einige Verbindungen stärker, andere schwächer aus. Die Stärke
einer Verbindung führt bei unterschiedlichen Inputs zu unterschiedlichen
Outputs.
Training - Neuronale Netze müssen lernen
Neuronale Netze lernen aus Beispielen. Sie prägen sich die gewünschte
Aufgabe beim Training mit Hilfe der Beispiele selbständig ein. Dabei passen
sich die Verbindungen zwischen den Zellen den Erfordernissen an. Nach dem
Training wird das Netz geprüft. Es bekommt eine Aufgabe vorgelegt, die es
zuvor nicht trainiert hat. Es sollte dann in der Lage sein, auch solche
Testmuster richtig zu erkennen, die sich von den gelernten Mustern mehr oder
weniger stark unterscheiden.
Anwendung - Neuronale Netze im praktischen Einsatz
Die erstaunlichen Fähigkeiten künstlicher Neuronaler Netze werden schon
seit längerer Zeit in zahlreichen For- schungsprojekten untersucht und
genützt.
In gegenseitiger Absprache mit unseren Kunden und genauster Untersuchung
der jeweils vorliegenden Auf- gabenstellung, wägen wir die
Einsatzmöglichkeiten von Neuronalen Netzen in den von uns entwickelten
Applikationen ab. Neuronale Netze bieten durch ihre enorme Komplexität ein
ungeahntes Spektrum an Möglichkeiten. Dabei ist zu beachten, dass die für
ein bestimmtes Problem optimale Architektur nur durch experimentieren
gefunden werden kann. Während diesem "Try-and-Error" Vorgang konstruieren
wir verschiedene Netze, lassen sie lernen und prüfen das Verhalten mit
geeigneten Testdaten. Was genau innerhalb eines Netzes vorgeht, kann ab
einer bestimmten Netzgrösse, aufgrund der Komplexität nur mit einer wagen
Gewissheit bestimmt werden. Somit kann ein Künstliches Neuronales Netz mit
einer Blackbox verglichen werden.
|