Neurale Netze

ISBN-13: 9783211822203 / Niemiecki / Miękka / 1990 / 188 str.

Monika Kahle; Alexander A. Clauer

Opis

Die Erforschung des Gehirns und seiner kognitiven Fahigkeiten war schon immer ein Anliegen der Menschheit. Der neueste Versuch, ein breites Verstandnis der Vorgange im Gehirn zu erlangen, ist unter dem Titel Neurale Netze zusammengefasst. Um dem Leser den Einstieg zu erleichtern, wird das Thema schrittweise nahergebracht. Einfuhrende Kapitel betten zuerst den Themenkreis Neurale Netze in das Umfeld anderer Wissensgebiete ein, spezialisierte und detaillierte Kapitel vermitteln biologische Analogie, einfache Modelle, Lernstrategien bis zu Simulation in Soft- und Hardware. Das Buch vermittelt in einfacher Weise Grundwissen uber Neurale Netze aus der Sicht des Informatikers. Vom Leser wird kein Vorwissen auf dem behandelten Gebiet, jedoch ein Grundverstandnis informatischer Belange erwartet."

Spis treści

1 Die Mystik Neuraler Netze.- 1.1 Wissenschaften und Modeströmungen.- 1.2 Ein “Neurales Netz”.- 1.3 Neurale Rechner — Neural Computing.- 1.4 Erwartungen an Neurale Netze.- 1.5 Einsatz Neuraler Netze.- 1.6 Beispiele.- 1.7 Charakterisierung Neuraler Netze.- 1.8 Praktische Anwendungen für Neurale Netze.- 1.8.1 Greifen nach einem Objekt, ohne das Gleichgewicht zu verlieren.- 1.8.2 Wahrnehmung von Mustern und deren Vervollständigung.- 1.8.3 Inhaltsadressierter Speicherzugriff.- 2 Aus den Anfängen Neuraler Netze.- 2.1 Im Anfang war die Kybernetik.- 2.1.1 Frühe Automaten — künstliche “Wesen”.- 2.1.2 Biologie — Neurone.- 2.1.3 Psychologie — Konditionierung.- 2.1.4 Mathematik — Berechenbarkeit.- 2.1.5 Weitere grundlegende Ideen.- 2.2 Seit McCulloch & Pitts, 1943.- 2.3 Frühe Lernsysteme.- 2.3.1 Perceptrons.- 2.3.2 Adaline (Adaptive Linear Element).- 2.3.3 Lernmatrix.- 3 Neurophysiologische Grundlagen.- 3.1 Aufbau und Funktionsweise von Neuronen.- 3.1.1 Die Grundbausteine: Neurone, Synapsen — Kommunikation.- 3.1.2 Physiologie kleiner Neuronenverbände, Reflexe.- 3.2 Das visuelle System.- 3.2.1 Der Aufbau des Auges.- 3.2.2 Rezeptive Felder.- 3.2.3 Die Sehbahn.- 3.2.4 Die Signalverarbeitung.- 3.2.5 Grundlagen der Gestaltwahrnehmung.- 4 Künstliche Neurone.- 4.1 Was von der Biologie bleibt.- 4.2 McCulloch&Pitts-Neurone.- 4.3 Aufbau Neuraler Netze.- 4.3.1 Units.- 4.3.2 Aktivierung einer Unit.- 4.3.3 Outputfunktion.- 4.3.4 Ausbreitungsregel.- 4.3.5 Aktivierungsfunktion.- 4.4 Unit-Typen.- 4.4.1 Einfache lineare Units.- 4.4.2 Lineare Schwellwert-Units.- 4.4.3 Brain State in a Box (BSB).- 4.4.4 Thermodynamische Units.- 4.4.5 Grossberg-Units.- 4.4.6 Interactive Activation Units (IAC).- 4.4.7 Feldmann & Ballard-Units.- 4.4.8 Sigma-Pi-Units.- 4.4.9 Sigmoide Units.- 4.4.10 Übersichtstabelle über Unit-Typen.- 4.5 Repräsentationsformen und Kodierungen.- 4.5.1 Lokale und verteilte Repräsentation.- 4.5.2 Kodierung.- 4.6 Hierarchie und Synchronität.- 4.7 Lernen in Neuralen Netzen.- 5 Lernen in Neuralen Netzen.- 5.1 Übersicht über die wichtigsten Lernansätze.- 5.2 Hebb-Regel.- 5.3 Delta-Regel.- 5.4 Back Propagation.- 5.4.1 Das Prinzip.- 5.4.2 Die Aufteilung des Fehlers auf Hidden-Units.- 5.4.3 Beispiel zur Berechnung eines Fehlersignals.- 5.4.4 Die verwendete Output-Funktion.- 5.4.5 Anwendungsbeispiele der Back Propagation.- 5.4.6 Wahl der Lernrate k.- 5.4.7 Gewichtsinitialisierungen.- 5.4.8 Momentum-Term.- 5.4.9 Variationen zur Rechenzeitverkiirzung.- 5.5 Competitive Learning.- 5.5.1 Der Competitive Learning-Mechanismus.- 5.5.2 Eine geometrische Interpretation.- 5.5.3 Eigenschaften des Competitive Learning.- 5.6 Boltzmann-Maschinen.- 5.6.1 Prinzipielle Funktionsweise der Boltzmann-Maschine.- 5.6.2 Minimierung der Energie- oder Kostenfunktion.- 5.6.3 Störungen zur Überwindung lokaler Minima.- 5.6.4 Lernalgorithmus der Boltzmann-Maschine.- 5.7 Lernen durch Verstärkung und Belohnung.- 5.7.1 Grundlegende Version des Verstärkungslernens.- 5.7.2 Lernen mit verzögerter Verstärkung.- 5.7.3 Lernen durch Belohnung.- 5.8 Genetische Algorithmen.- 5.8.1 Grundlegende Version des genetischen Lernens.- 5.8.2 Genetisches Lernen und die Belohnungsregel.- 5.9 Topologie-erhaltende Abbildungen und Lernende Vektorquantifizierung (LVQ).- 5.9.1 Ordnungserhalt.- 5.9.2 Lokale Antworten aufgrund lateraler Interaktion.- 5.9.3 Topologie-erhaltende Abbildungen.- 5.9.4 Der Algorithmus in diskreten Zeitschritten.- 5.9.5 Beispiele einfacher Abbildungen.- 5.9.6 Anordnung der Gewichtsvektoren.- 5.9.7 LVQ — Lernende Vektor-Quantifizierung.- 6 Modelle.- 6.1 NETtalk (Sejnowski & Rosenberg, 1986).- 6.1.1 Aufbau von NETtalk.- 6.1.2 Repräsentation der Buchstaben und Phoneme.- 6.1.3 Lernalgorithmus.- 6.1.4 Ergebnisse.- 6.2 Hopfield-Netze.- 6.2.1 Grundmodell.- 6.2.2 Analoge Implementierung.- 6.2.3 Anwendungsgebiete für Hopfield-Netze.- 6.3 Fukushimas Neocognitron.- 6.3.1 Biologische Inspiration.- 6.3.2 Struktur des Netzes.- 6.3.3 Lernen im Neocognitron: Selbstorganisation.- 6.3.4 Funktionsweise.- 6.4 Adaptive Resonance Theory (ART).- 6.4.1 Aufbau und Funktion des Grundsystems.- 6.4.2 ART1 mit Aufmerksamkeitssteuerung.- 6.4.3 Lernen in ART1.- 6.4.4 ART1 mit zusätzlicher Kontrolleinheit.- 6.4.5 Entdeckung von Neuem und Kategoriegrößen.- 6.5 Kohonens Spracherkennung.- 6.5.1 Bio-Analogie.- 6.5.2 Automatische Spracherkennung.- 6.5.3 Akustische Vorverarbeitung des Sprachsignals.- 6.5.4 Der Algorithmus zur Spracherkennung.- 6.5.5 Phonem-Abbildungen.- 6.5.6 Transiente Phoneme.- 6.5.7 Kompensation der Koartikulationseffekte.- 6.5.8 Implementierung des Systems.- 7 Simulationen.- 7.1 Hardware.- 7.2 Software.- 7.2.1 Herkömmliche Programmiersprachen.- 7.2.2 Pakete (Interaktive Simulationssysteme).- 7.2.3 Spracherweiterungen und Sprachen.- 8 Nayantara.- Namen- und Sachverzeichnis.