|
|
|
|
|
|
||
|
KNN |
Künstliche Neuronale Netze
Kaum ein anderes naturwissenschaftliches Forschungsgebiet zeigt derzeit eine solche Dynamik wie die Neurowissenschaft. 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 Neuro-informatik. Künstliche neuronale Netze orientieren sich an ihrem natürlichen Vorbild, dem Gehirn. Dort sind die Nervenzellen (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. Dank neuronaler Technologien sind Problemstellungen lösbar, die mit herkömmlichen Programmier-methoden nur mit erheblichem Aufwand oder unmöglich realisierbar sind. Die Anwendungsbereiche reichen bis hin zur künstlichen Intelligenz. In gegenseitiger Absprache mit unseren Kunden und genauster Untersuchung der jeweils vorliegen-den Aufgabenstellung wägen wir die Einsatzmöglichkeiten von neuronalen Netzen in den von uns entwickelten Applikationen ab. Neuronale Netze bieten durch ihre enorme Komplexität ein ungeahn-tes 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. Die folgenden Abschnitte geben einen Kürzen Einblick in die Funktionsweise von künstlichen neuro-nalen Netzen: Die Architektur Neuronaler Netze
Künstliche Neuronale Netze bestehen aus einer Gruppe von Zellen, die in
mehreren Schichten ange-ordnet sind. |
||
 |
Die Zellen der ersten Schicht dienen der Eingabe von Problemstel-lungen (Input Zellen). |
||
|
Zwischen den äusseren Schichten können verborgene, von aussen nicht zugängliche, Schichten mit weiteren Zellen liegen, welche die Aufgabe verarbeiten (Hidden Zellen). |
|||
|
Die Zellen der letzten Schicht geben die Lösung aus dem Lern- und Verarbeitungsprozess aus (Output Zellen). |
|||
|
Training - Neuronale Netze müssen lernenNeuronale 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 EinsatzDie erstaunlichen Fähigkeiten künstlicher Neuronaler Netze werden schon seit längerer Zeit in zahl-reichen Forschungsprojekten untersucht und genützt. Sie müssen jedoch weder Forscher noch Programmierkünstler sein, um von der Lernfähigkeit der neuronalen Netze profitieren zu können. Durch den Einsatz von Geniator Recall wird die Tür zur Welt der neuronalen Netze und der künstlichen Intelligenz weit aufgerissen. |
|||
Copyright © 2008 Geniator Software Engineering. Alle Rechte vorbehalten. |
