Heuristiken
Heuristiken
Heuristiken
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
7.9 Anwendung<br />
Anwendungsbereiche Neuronale Netze werden in verschiedenen Bereichen eingesetzt: zur Klassifikation<br />
und Clusterung, zur Prognose und zur Mustererkennung sowie zur Optimierung.<br />
Aufgrund ihrer Fehlertoleranz wurden neuronale Netze außerdem erfolgreich<br />
bei der Identifikation von dynamischen stochastischen Modellen aus gestörten<br />
Messwerten eingesetzt.<br />
In ihrer breiten Anwendbarkeit unterscheiden sich neuronale Netze von den<br />
meisten Methoden der Datenanalyse.<br />
Prognose und<br />
Mustererkennung<br />
Bei der Prognose und Mustererkennung mit neuronalen Netzen wird ausgehend<br />
von den beobachteten Daten eine Funktion bestimmt, welche sich an<br />
die hinter den Daten stehende Struktur möglichst gut anpasst.<br />
Es kann gezeigt werden, dass jede beliebige Funktion durch ein künstliches<br />
neuronales feedforward-Netz mit einer verborgenen Schicht und sigmoider Aktivierungsfunktion<br />
beliebig genau approximiert werden kann.<br />
Klassifikation Die Klassifikation mit neuronalen Netzen ist ein weit verbreitetes Anwendungsgebiet.<br />
Mit einer verborgenen Schicht können linear trennbare Daten klassifiziert<br />
werden, mit zwei verborgenen Schichten können konvexe Polygone als Klassengrenzen<br />
dargestellt werden und mit drei verborgenen Schichten können beliebige<br />
Klassengrenzen repräsentiert werden.<br />
Heuristische<br />
Optimierung,<br />
Clusterung<br />
Gestörte<br />
Messungen<br />
Selbstorganisierende Karten können in verschiedenen Bereichen eingesetzt werden.<br />
In der heuristischen Optimierung können sie das Handlungsreisendenproblems<br />
effizient lösen [].<br />
Bei der Clusterung ergänzen sie die herkömmlichen statistischen Verfahren [].<br />
In der Industrie werden Erweiterungen von Selbstorganisierenden Karten bei<br />
der Robotersteuerung angewendet.<br />
Zur Modellbildung bei fehlenden oder fehlerhaften Messwerten müssen aus den<br />
beobachteten Messungen eines Systems die unbekannten Modellparameter geschätzt<br />
werden. Rückgekoppelte künstliche neuronale Netze wurden in verschiedenen<br />
Arbeiten (z.B. [] [] [] eingesetzt, um aus gestörten Messgrößen die Modellparameter<br />
eines Systems bestimmen zu können.<br />
48