![\"\"](\"http:\/\/www.hrkll.ch\/typo\/fileadmin\/bilder\/neuronal.gif\")
<\/p>\n<\/div>\n
Figur 3: Beispiel eines einfachen neuronalen Netzes<\/p>\n
Auf diese Art ist jedem Anregungsmuster in der Input-Schicht ein Anregungsmuster in der Output-Schicht zugeordnet, d.h. das Neuronale Netz speichert Wissen \u00fcber die Assoziation dieser beiden Muster. Z.\u00a0B. k\u00f6nnte man ein solches Netz bei DEPP die Wahrnehmung der Umwelt als Input mit der am wahrscheinlichsten zum Ziel f\u00fchrenden Aktion als Output assoziieren. Interessant wird diese Art von Wissensspeicherung, wenn man nicht nur „schwarze“ und „weisse“ Knoten zul\u00e4sst, sondern beliebige Abstufungen und wenn man auch unterschiedlich starke Verbindungen einf\u00fchrt. Dann erh\u00e4lt man den Effekt, dass \u00e4hnliche Inputmuster, die sich leicht in der Anregung einiger Knoten unterschieden automatisch \u00e4hnliche Outputmuster haben. Damit lassen sich z.\u00a0B. leichte Wahrnehmungsst\u00f6rungen kompensieren oder bew\u00e4hrte L\u00f6sungen auf verwandte Situationen \u00fcbertragen.<\/p>\n
Gelernt wird in solchen Netzen dadurch, dass man einen Input pr\u00e4sentiert und dann die Verbindungen leicht so modifiziert, dass der Output besser mit einem gew\u00fcnschten Output \u00fcbereinstimmt. Wiederholt man dieses Vorgehen viele Male mit verschiedensten Input-Output-Paaren, wird das Netz im in vielen F\u00e4llen mit der Zeit f\u00fcr jedes assoziierte Paar auf den Input mit dem gew\u00fcnschten Output reagieren (Brause, 1995).<\/p>\n
Literatur<\/h3>\n\n- Brause, R. (1995) Neuronale Netze. Eine Einf\u00fchrung in die Neuroinformatik<\/strong>. Stuttgart: Teubner.<\/em><\/li>\n
- Grossberg, S. (1988) Nonlinear Neural Networks: Principles, Mechanisms, and Architectures<\/strong>. Neural Networks, 1 (1); 17-62.<\/em><\/li>\n
- McClelland, J. L., Rumelhart, D. E. & Group, t. P. R. (1986) Parallel Distributed Processing, Vol. II<\/strong>. Cambridge, Mas.: MIT Press.<\/em><\/li>\n
- Minsky, M. & Papert, S. (1969) Perceptrons: an introduction to computational geometry<\/strong>. Cambridge, Mass.: MIT Press.<\/em><\/li>\n
- Rumelhart, D. E., McClelland, J. L. & Group, t. P. R. (1986) Parallel Distributed Processing, Vol I<\/strong>. 1986, Cambridge, Ms.: MIT Press.<\/em><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"
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 … Weiterlesen
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 … Weiterlesen