Description
Book SynopsisDas Buch ist ein systematisch gegliedertes Lern- und Nachschlagewerk, in dem die wesentlichen Konzepte und Modelle Neuronaler Netze zur Darstellung kommen. Ziel des Buches ist es, daß insbesondere diejenigen Anwender, die selbst Simulationsprogramme entwickeln wollen, die grundlegenden Kenntnisse in der notwendigen Tiefe vermittelt bekommen. Gleichzeitig ist das Buch eine wichtige Orientierungshilfe für Studenten der Informatik, der Biologie, Neurophysiologie, Psychologie und Technik, die mehr wissen wollen über eines der spannendsten Gebiete heutiger interdisziplinärer Forschung.
Table of Contents1 Einleitung.- 1.1 Begriff des neuronalen Netzes.- 1.1.1 Neurophysiologie als Vorbild.- 1.1.2 Aufbau und Funktionsweise neuronaler Netze.- 1.1.3 Vergleich mit herkömmlichen Computern.- 1.2 Hinweise für die Benützung des Buches.- 1.2.1 Zweck des Buches.- 1.2.2 Vorkenntnisse des Lesers.- 1.2.3 Übersicht über den Buchinhalt.- 1.3 Fuzzy-Logik.- 1.3.1 Begriff.- 1.3.2 Unscharfe Teilmengen.- 1.3.3 Unscharfe Mengenoperationen.- 1.3.4 Unscharfe logische Verknüpfungen.- 1.3.5 Vergleich mit neuronalen Netzen.- 1.4 Künstliche neuronale Netze.- I Grundlagen.- 2 Behandlung einzelner Neuronen.- 2.1 Bestandteile eines Neurons.- 2.2 Berechnung der Aktivität.- 2.2.1 Effektiver Eingang.- 2.2.2 Aktivierungsfunktionen.- 2.3 Berechnung des Ausgangs.- 2.3.1 Anforderungen an die Ausgangsfunktion.- 2.3.2 Schwellenwertfunktionen.- 2.3.3 Sigma-Funktionen.- 2.3.4 Weitere Ausgangsfunktionen.- 2.3.5 Anschauliche Deutung.- 2.4 Berechnung des Neurons.- 2.4.1 Berechnungsformeln.- 2.4.2 Standard-Neurontypen.- 2.4.3 Kennwerte der Neuronberechnung.- 3 Behandlung eines Netzes.- 3.1 Aufbau eines Netzes.- 3.1.1 Allgemeine Netzstruktur.- 3.1.2 Numerierung der Neuronen.- 3.1.3 Strukturierung des Netzes durch das Schichtenkonzept.- 3.1.4 Rückkopplung.- 3.1.5 Räumlich organisierte Schichten.- 3.1.6 Hinton-Diagramme.- 3.2 Reproduktionsmethoden.- 3.2.1 Struktur und Zustände eines neuronalen Netzes.- 3.2.2 Begriff der Reproduktion.- 3.2.3 Reproduktion in vorwärtsgekoppelten Netzen.- 3.2.4 Reproduktion in rückgekoppelten Netzen.- 3.2.5 Äquivalenz von vorwärts- und rückgekoppelten Netzen.- 3.2.6 Reproduktion in Wettbewerbs-Schichten.- 3.2.7 Beschreibung der Reproduktion durch Hamilton-Funktionen.- 3.2.8 Stochastische Reproduktion.- 3.3 Lernmethoden für überwachtes Lernen.- 3.3.1 Begriff des Lernens.- 3.3.2 Begriff des überwachten Lernens.- 3.3.3 Hebbsche Lernregel.- 3.3.4 Delta-Lernregel.- 3.3.5 Herleitung von Lernregeln aus Kostenfunktionen.- 3.3.6 Lernen durch Lohn und Strafe.- 3.4 Lernmethoden für unüberwachtes Lernen.- 3.4.1 Begriff des unüberwachten Lernens.- 3.4.2 Unüberwachtes Lernen durch Wettbewerb.- II Netze.- 4 Einfache überwacht lernende Netze.- 4.1 Muster-Assoziator.- 4.1.1 Allgemeiner Muster-Assoziator.- 4.1.2 Linearer Muster-Assoziator mit Hebbscher Lernregel.- 4.1.3 Linearer Muster-Assoziator mit Delta-Lernregel.- 4.1.4 Willshaw-Netze.- 4.1.5 Grenzen des Muster-Assoziators.- 4.2 Spezielle Muster-Assoziatoren.- 4.2.1 Perzeptron.- 4.2.2 ADALINE.- 4.2.3 MADALINE.- 4.3 Auto-Assoziator.- 4.3.1 Allgemeiner Auto-Assoziator.- 4.3.2 BSB-Modell.- 4.3.3 DMA-Modell.- 4.4 Fehlerrückführungs-Netz.- 4.4.1 Aufbau des Netzes.- 4.4.2 Lernregel für die Gewichte.- 4.4.3 Initialisierung der Gewichte.- 4.4.4 Zusammenfassung des Lernvorgangs.- 4.4.5 Lernregel für andere Parameter.- 4.4.6 Momentfaktor.- 4.4.7 Lokale Minima der Kostenfunktion.- 4.4.8 Fehlerrückführungsnetze mit Rückkopplung.- 4.5 Hopfield-Netz.- 4.5.1 Grundmodell.- 4.5.2 Hamilton-Funktion.- 4.5.3 Speicherkapazität.- 4.5.4 Unerwünschte Zustande.- 4.5.5 Varianten.- 5 Höher entwickelte Überwacht lernende Netze.- 5.1 BAM.- 5.1.1 Aufbau.- 5.1.2 Berechnung der Neuronen.- 5.1.3 Lernregel.- 5.1.4 Reproduktion.- 5.1.5 Mustervektoren ? {0,1}.- 5.1.6 Numerierungsvariante.- 5.2 Boltzmann-Maschinen.- 5.2.1 Aufbau.- 5.2.2 Lernregel.- 5.2.3 Reproduktion.- 5.2.4 Probleme.- 5.3 Gegenstrom-Netz.- 5.3.1 Vorstufe zum Gegenstrom-Netz.- 5.3.2 Reproduktion.- 5.3.3 Lernen.- 5.3.4 Gegenstrom-Netz.- 5.4 Netze mit Sigma-Pi-Neuronen.- 5.4.1 Prinzip.- 5.4.2 Reduktion der Schichtenzahl.- 5.4.3 Invariante Mustererkennung.- 5.4.4 Fehlerrückführung.- 5.5 Zusammenstellung überwacht lernender Netze.- 6 Unüberwacht lernende Netze.- 6.1 Selbstorganisierende Karten.- 6.1.1 Einbettung eines Netzes in einen Raum.- 6.1.2 Aufbau und Reproduktion.- 6.1.3 Festlegen der internen Gewichte.- 6.1.4 Lernen der externen Gewichte.- 6.1.5 Hinweise.- 6.2 ART-Netz.- 6.2.1 Aufgabe.- 6.2.2 Lösungsalgorithmus.- 6.2.3 Realisierung durch ein Netz.- 6.2.4 Gain.- 6.2.5 Reproduktion in der Eingangs-Vergleichsschicht.- 6.2.6 Reset.- 6.2.7 Reproduktion in der Klassifizierungsschicht.- 6.2.8 Lernen.- 6.2.9 Zusammenfassung.- 6.2.10 Literaturhinweise.- III Praxis.- 7 Anwendungen.- 7.1 Problemtypen.- 7.1.1 Übersicht.- 7.1.2 Klassifikation.- 7.1.3 Autoassoziativer Speicher.- 7.1.4 Heteroassoziative Speicher und Generalisierung.- 7.1.5 Ausgangsmusterfolgen.- 7.1.6 Zeitreihen.- 7.2 Konkrete Anwendungen.- 7.2.1 Übersicht.- 7.2.2 „Schul“probleme.- 7.2.3 Technische Anwendungen.- 7.2.4 Wissenschaftliche Anwendungen.- 7.2.5 Sonstige Anwendungen.- 8 Realisierung.- 8.1 Übersicht.- 8.2 Simulation durch Software.- 8.2.1 Grundsätze.- 8.2.2 Simulationsprogramme für den PC.- 8.3 Aufbau durch Hardware.- IV Anhang.- 9 Symbolverzeichnis.- 9.1 Begründung der Symbolauswahl.- 9.2 Vergleichsliste üblicher Symbole.- 9.3 Vergleichsliste üblicher Namen.- 9.4 Liste der Symbole.- 10 Lexikon englisch — deutsch.- 11 Lexikon und Glossar deutsch — englisch.- 12 Literaturverzeichnis.- 12.1 Literaturverweise aus dem Text.- 12.2 Einführende Literatur.- 13 Register.
