Heuristiken

Weitere Magazine

Empfehlungen

Info

jedem Neuron einer höheren Schicht verbunden. Beispiele für Feedforward-Netze sind das Perceptron oder das Backpropagation-Netzwerk. 36
Eingabe-, AktivierungsundAusgabefunktion. 7.3 Lernverfahren Ein Neuron besitzt drei Teilfunktionen: Erstens werden die eingehenden Reize in der Eingabe- bzw. Propagierungsfunktion verarbeitet. In den meisten Fällen werden die gewichteten eingehenden Reize aufsummiert; es sind jedoch auch andere Propagierungsfunktionen möglich. Dann wird aus dem so berechneten Eingabewert der Aktivierungszustand des Neurons mit Hilfe der Aktivierungsfunktion berechnet. Aus der Aktivierung wird über die Ausgabefunktion die Ausgabe des Neurons berechnet. Lernverfahren Lernverfahren dienen zur Bestimmung der Gewichte auf den Verbindungen des neuronalen Netzes. Während des Lernprozesses werden diese iterativ adaptiert. Beim überwachten Lernen benötigt man Eingabevektoren mit bekannten Ausgaben, die als Muster bezeichnet werden. Das am häufigsten eingesetzte Verfahren des überwachten Lernens ist der Backpropagation- Algorithmus. Teilt man dem Netz während der Trainingsphase mit, ob seine Ausgabe richtig oder falsch war, nicht jedoch die erwünschte Ausgabe, so wird dies als bestärkendes Lernen bezeichnet. Beim unüberwachten Lernen organisiert sich das neuronale Netz selbständig, in dem beispielsweise statistische Eigenschaften der Eingabemuster extrahiert werden um ähnliche Eingabemuster zu clustern (z.B. bei Self Organizing Maps). Diese Lernverfahren bedienen sich verschiedener Lernalgorithmen, wie der Hebb- Regel, der Delta-Regel oder der verallgeminerten Delta-Regel. Nähere Erläuterungen zu diesen Lernalgorithmen finden Sie hier. 7.3.1 Nebenpfad: Aktivierungsfunktion Aktivierungsfunktion Entscheidend für die Anwendung neuronaler Netze ist die Form der Aktivierungsfunktion. Der Aktivierungszustand eines Neurons zum Zeitpunkt t+1 ist durch die Aktivierungsfunktion f¡sub¿act¡/sub¿ in Abhängigkeit vom Aktivierungszustand im Zeitpunkt t, von der Eingabe net¡sub¿j¡/sub¿(t) in ein Neuron j zum Zeitpunkt t und von einem Neuron-spezifischen Schwellwert θj bestimmt: aj(t + 1) = fact(aj(t) + netj(t), θj) 37
Seite 1 und 2: Inhaltsverzeichnis Heuristiken Mike
Seite 3 und 4: 1 Einleitung 1.1 Heuristiken Heuris
Seite 5 und 6: Schrittweiser Lösungsaufbau 2 Gree
Seite 7 und 8: Semi-Greedy- Heuristiken 2.3 Varian
Seite 9 und 10: 3 Nachbarschaftssuche 3.1 Hill-Clim
Seite 11 und 12: Steuerung untergeordneter Methoden
Seite 13 und 14: Genetische Algorithmen Evolutionär
Seite 15 und 16: Individuen und Population 4.2 Metho
Seite 17 und 18: Stadt Kodierung Stadt Kodierung Sta
Seite 19 und 20: winner bleibt weiter im Turnier und
Seite 21 und 22: 4.3 Methodenbeschreibung Metaevolut
Seite 23 und 24: 4.5 Anwendung Vorteile Die Vorteile
Seite 25 und 26: Anwendungsbeispiele Die Schwerpunkt
Seite 27 und 28: wobei ρ die Verdunstung des Pherom
Seite 29 und 30: Routing- Probleme 5.3 Anwendung Ame
Seite 31 und 32: Eigenschaften von Fitnesslandschaft
Seite 33 und 34: Vorteile von Fitnesslandschaften Na
Seite 35: 7.2 Reizweiterleitung Reizweiterlei
Seite 39 und 40: Überwachtes Lernen 7.3.2 Nebenpfad
Seite 41 und 42: Perceptron- Netzwerk Adaline- Netzw
Seite 43 und 44: 7.5 Hopfield-Netz Hopfield-Netz Das
Seite 45 und 46: 7.7 Kohonen-Netze Selbstorganisiere
Seite 47 und 48: Vorteile Neuronaler Netze Nachteile
Seite 49 und 50: Sonstige Anwendungsbereiche Des wei
Seite 51 und 52: tes in Computer Science, Springer 2
Seite 53 und 54: 8.1 Literatur zu Ameisensystemen un
Seite 55 und 56: 1997. Grossberg, S.: Nonlinear neur

Heuristiken

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?