Neuroinformatik

Quelle: Wikipedia. Seiten: 54. Kapitel: Neuronales Netz, Künstliches neuronales Netz, Perzeptron, Hopfield-Netz, Support Vector Machine, Neuroprothese, Selbstorganisierende Karte, Computational Neuroscience, Backpropagation, Adaptive Resonanztheorie, Neuronenmodell, 20Q, Maschinelles Lernen, Bestärkendes Lernen, Hodgkin-Huxley-Modell, Elman-Netz, Random Forest, Brain-Computer-Interface, Cascade Correlation, Konnektionismus, Adaptives Neuro-Fuzzy-Inferenzsystem, Neural Gas, Time Delay Neural Network, Überwachtes Lernen, Resilient Propagation, Sigmoidfunktion, LMS-Algorithmus, McCulloch-Pitts-Zelle, Scholarpedia, Hebbsche Lernregel, NETtalk, Assoziativspeicher, Rekurrentes neuronales Netz, Neuromorphic Engineering, Lernmatrix, Bidirektionaler Assoziativspeicher, Stuttgart Neural Network Simulator, Autoencoder, Parallel Distributed Processing, Neuromorphe Chips, Growing Neural Gas, EpsiloNN, Kontinuierliches Grundmodell, Neuromorphing, Jordan-Netz, Neuronaler Schaltkreis, Lernende Vektorquantisierung, Quickprop, Stochastisches Lernen, Assoziativmaschine, Zustandsraum, 100-Schritt-Regel, Tuning Curve, Assoziativmatrix, Oszillierendes neuronales Netzwerk, Adaline-Modell, Polynomklassifikator, Neocognitron, Nero, NIPS, Hyperbolische SOM, Aktivierungsraum. Auszug: Künstliche neuronale Netze (selten auch künstliche neuronale Netzwerke, kurz: KNN, engl. artificial neural network ¿ ANN) sind Netze aus künstlichen Neuronen. Sie sind ein Zweig der künstlichen Intelligenz und prinzipieller Forschungsgegenstand der Neuroinformatik. Der Ursprung der künstlichen neuronalen Netze liegt, ebenso wie bei den künstlichen Neuronen, in der Biologie. Man stellt sie den natürlichen neuronalen Netzen gegenüber, welche Nervenzellvernetzungen im Gehirn und im Rückenmark bilden. Insgesamt geht es aber um eine Abstraktion (Modellbildung) von Informationsverarbeitung und weniger um das Nachbilden biologischer neuronaler Netze, was eher Gegenstand der Computational Neuroscience ist. Vereinfachte Darstellung eines künstlichen neuronalen Netzes Schema eines künstlichen Neurons Künstliche neuronale Netze basieren meist auf der Vernetzung vieler McCulloch-Pitts-Neuronen oder leichter Abwandlungen davon. Grundsätzlich können auch andere künstliche Neuronen Anwendung in KNNen finden, z.B. das High-Order-Neuron. Die Topologie eines Netzes (die Zuordnung von Verbindungen zu Knoten) muss abhängig von seiner Aufgabe gut durchdacht sein. Nach der Konstruktion eines Netzes folgt die Trainingsphase, in der das Netz ¿lernt¿. Theoretisch kann ein Netz durch folgende Methoden lernen: Außerdem verändert sich das Lernverhalten bei Veränderung der Aktivierungsfunktion der Neuronen oder der Lernrate des Netzes. Praktisch gesehen "lernt" ein Netz hauptsächlich durch Modifikation der Gewichte der Neuronen. Eine Anpassung des Schwellwertes kann hierbei durch ein on-Neuron miterledigt werden. Dadurch sind KNNs in der Lage, komplizierte nichtlineare Funktionen über einen ¿Lern¿-Algorithmus, der durch iterative oder rekursive Vorgehensweise aus vorhandenen Eingangs- und gewünschten Ausgangswerten alle Parameter der Funktion zu bestimmen versucht, zu erlernen. KNNs sind dabei eine Realisierung des konnektionistischen Paradigmas, da die Funktion aus vielen einfachen gleichartig