Neuronale Netze und Fuzzy-Systeme: Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der Kopplung mit wissensbasierten Methoden

ISBN-13: 9783528052652 / Niemiecki / Miękka / 1994 / 407 str.

Detlef D. Nauck

Opis

Neuronale Netze erfreuen sich einer wachsenden Popularitat, die sich in einer Viel zahl von Veroffentlichungen und industriellen Anwendungen ausdriickt. Ihre Fahig keit, aus Beispielen lernen zu konnen, ohne im herkommlichen Sinne programmiert werden zu miissen, macht einen wesentlichen Teil ihrer Faszination aus. Die Arbeit an Neuronalen Netzen, die auch als "konnektionistische Systeme" bezeichnet wer den, war zunachst biologisch motiviert. Die Forscher wollten an ihnen mehr iiber Eigenschaften des Gehirns lernen. Das erste lernfahige kiinstliche Neuronale Netz, das Perceptron, wurde 1958 von Frank Rosenblatt vorgestellt. Nachdem jedoch in den sechziger Jahren gezeigt wurde, daB dieses damals bevorzugt untersuchte Per ceptron sogenannte linear nicht separierbare Probleme nicht losen konnte, wurde die Forschung an Neuronalen Netzen einige Jahre lang sehr stark eingeschrankt. Nach der Entdeckung neuer und mii.chtiger Lernverfahren in den achtziger Jahren lebte das Interesse jedoch wieder auf. Nun war man in der Lage, auch nicht linear separierbare Probleme, wie z.B. die XOR-Funktion, von einem Neuronalen Netz losen zu lassen. Die Industrie hat die Neuronalen Netze fUr sich entdeckt und wendet sie in Bereichen wie z.B. Bildverarbeitung, Schrift-und Spracherkennung an. Es gibt be reits eine Vielzahl kommerzieller und frei verfiigbarer Entwicklungsumgebungen, die eine Erstellung eines Neuronalen Netzes am Computer ermoglichen und die Entwick lungen von Anwendungen erleichtern. Selbst "Neuronale Hardware" ist mittlerweile entwickelt worden. Dabei handelt es sich urn Zusatzhardware fiir Computersysteme zur Unterstiitzung der Rechenvorgange in Neuronalen Netzen.

Spis treści

I Grundlagen Neuronaler Netze.- 1 Historische und Biologische Aspekte.- 2 Ein generisches Modell für Neuronale Netze.- 2.1 Die Struktur Neuronaler Netze.- 2.2 Die Arbeitsweise Neuronaler Netze.- 2.3 Strukturveränderung — Lernen.- 2.4 Lernparadigmen.- II Architekturen Neuronaler Netze.- 3 Perceptrons.- 3.1 Das formale Modell des Perceptrons.- 3.2 Lineare Separabilität.- 3.3 Der Lernalgorithmus des Perceptrons.- 4 Einfache lineare Modelle.- 4.1 Das formale Modell Linearer Neuronaler Netze.- 4.2 Das ADALINE und die Delta-Regel.- 4.3 Matrixspeicher und die Hebbsche Lernregel.- 5 Multilayer-Perceptrons.- 5.1 Das formale Modell des Multilayer-Perceptrons.- 5.2 Backpropagation — Die verallgemeinerte Delta-Regel.- 5.3 Anwendung des Backpropagation-Algorithmus.- 5.4 Linear nicht-separable Lernaufgaben.- 5.5 Multilayer-Perceptrons als universelle Approximatoren.- 5.6 Anwendungen.- 6 Wettbewerbslernen.- 7 Selbstorganisierende Karten.- 7.1 Das formale Modell.- 7.2 Anwendungen selbstorganisierender Karten.- 7.3 Counterpropagation.- 8 Hopfield-Netze.- 8.1 Das formale Modell des Hopfield-Netzes.- 8.2 Die Energiefunktion eines Hopfield-Netzes.- 8.3 Das Hopfield-Netz als autoassoziativer Speicher.- 8.4 Die Lösung von Optimierungsproblemen mit Hopfield-Netzen.- 8.5 Das kontinuierliche Hopfield-Modell.- 9 Simulated Annealing und Boltzmann-Maschinen.- 9.1 Simulated Annealing.- 9.2 Boltzmann-Maschinen.- 10 Neuronale Regler.- III Konnektionistische Expertensysteme.- 11 Grundlagen der Expertensysteme.- 12 Wissensrepräsentation in Neuronalen Netzen.- 12.1 Der Wissensbegriff in der KI-Forschung.- 12.2 Wissensrepräsentation.- 12.3 Kognitionswissenschaftliche Aspekte der Wissensrepräsentation.- 12.4 Wissensverarbeitung.- 12.5 Konnektionistische Wissensrepräsentation und Wissensverarbeitung.- 13 Modellierung Konnektionistischer Expertensysteme.- 13.1 Konzeptionelle Überlegungen.- 13.2 Regelfolgende Modelle.- 13.3 Regelbeherrschte Modelle.- 14 Preprocessing.- 14.1 Transformationen und Merkmalsausprägung.- 14.2 Erlernen der Transformationen.- IV Neuronale Fuzzy-Systeme.- 15 Modellierung Neuronaler Fuzzy-Systeme.- 15.1 Kognitive Modellierung von Expertenverhalten.- 15.2 Fuzzy-Regler.- 15.3 Kombinationen Neuronaler Netze und Fuzzy-Regler.- 16 Kooperative Neuronale Fuzzy-Regler.- 16.1 Adaptive Fuzzy-Assoziativspeicher.- 16.2 Linguistische Interpretation selbstorganisierender Karten.- 16.3 Erlernen von Fuzzy-Mengen.- 17 Hybride Neuronale Fuzzy-Regler.- 17.1 Das ARIC-Modell.- 17.2 Das GARIC-Modell.- 17.3 Weitere Modelle.- 18 Das NEFCON-Modell.- 18.1 Anforderungen an das Modell.- 18.2 Die Architektur.- 18.3 Die Arbeitsweise.- 18.4 Fuzzy-Fehler-Propagation — Der Lernalgorithmus.- 18.5 Erlernen einer Regelbasis.- 18.6 Beurteilung des NEFCON-Ansatzes.- 18.7 NEFCON-I — Eine Implementierung.- 19 Neuronale Netze und Fuzzy-Prolog.- 19.1 Neuronale Netze und Logik.- 19.2 Fuzzy-Logik.- 19.3 Neuronale Netze und Fuzzy-logische Programme.- 19.4 Der Lernalgorithmus.