Neuronale Netze (Minsky & Papert, 1969; McClelland, Rumelhart & Group, 1986; Rumelhart, McClelland & Group, 1986; Grossberg, 1988). modellieren Wissen als ein Netz von Knoten und Verbindungen dazwischen. Einige dieser Knoten stellen die Input-Schicht dar, andere bilden die Output-Schicht (Figur 3). Die Knoten können mehr oder weniger angeregt sein (weiss oder schwarz in Figur 3). Diese Anregung pflanzt sich vom Input zum Output über die Kanten fort, so dass benachbarte Knoten ebenfalls angeregt werden. Dabei kann es ganz verschiedene Regeln geben, wann eine solche Ausbreitung der Anregung stattfindet. In Figur 3 ist es so, dass ein Knoten genau dann angeregt wird (schwarz wird), wenn all seine Vorgänger angeregt (schwarz) sind.

Figur 3: Beispiel eines einfachen neuronalen Netzes

Auf diese Art ist jedem Anregungsmuster in der Input-Schicht ein Anregungsmuster in der Output-Schicht zugeordnet, d.h. das Neuronale Netz speichert Wissen über die Assoziation dieser beiden Muster. Z. B. könnte man ein solches Netz bei DEPP die Wahrnehmung der Umwelt als Input mit der am wahrscheinlichsten zum Ziel führenden Aktion als Output assoziieren. Interessant wird diese Art von Wissensspeicherung, wenn man nicht nur „schwarze“ und „weisse“ Knoten zulässt, sondern beliebige Abstufungen und wenn man auch unterschiedlich starke Verbindungen einführt. Dann erhält man den Effekt, dass ähnliche Inputmuster, die sich leicht in der Anregung einiger Knoten unterschieden automatisch ähnliche Outputmuster haben. Damit lassen sich z. B. leichte Wahrnehmungsstörungen kompensieren oder bewährte Lösungen auf verwandte Situationen übertragen.

Gelernt wird in solchen Netzen dadurch, dass man einen Input präsentiert und dann die Verbindungen leicht so modifiziert, dass der Output besser mit einem gewünschten Output übereinstimmt. Wiederholt man dieses Vorgehen viele Male mit verschiedensten Input-Output-Paaren, wird das Netz im in vielen Fällen mit der Zeit für jedes assoziierte Paar auf den Input mit dem gewünschten Output reagieren (Brause, 1995).

Literatur

• Brause, R. (1995) Neuronale Netze. Eine Einführung in die Neuroinformatik. Stuttgart: Teubner.
• Grossberg, S. (1988) Nonlinear Neural Networks: Principles, Mechanisms, and Architectures. Neural Networks, 1 (1); 17-62.
• McClelland, J. L., Rumelhart, D. E. & Group, t. P. R. (1986) Parallel Distributed Processing, Vol. II. Cambridge, Mas.: MIT Press.
• Minsky, M. & Papert, S. (1969) Perceptrons: an introduction to computational geometry. Cambridge, Mass.: MIT Press.
• Rumelhart, D. E., McClelland, J. L. & Group, t. P. R. (1986) Parallel Distributed Processing, Vol I. 1986, Cambridge, Ms.: MIT Press.