Künstliche Neuronale Netze

Weitere Magazine

Empfehlungen

Info

12.05.2009 Diskussion: ist BackProp-Lernen in Multilayer Netzwerken eine gute Methode für das maschinelle Lernen? • Insgesamt: einfache Feed-forward-Netzwerke erfüllen nicht unsere Wünsche für eine verständliche Lerntheorie, zumindest nicht in der gegenwärtigen Form. Multilayer Netzwerke 43 Anwendungen mit neuronalen Netzen • Sprache • Lernen von Text zu Phonemen, Sprachgenerator anschließend • NETtalk von Sejnowski und Rosenberg, 1987 • Erkennung von handgeschriebenen Buchstaben • Cun et al. 1989 Anwendungen 44 22
12.05.2009 Anwendungen mit neuronalen Netzen • Fahren eines Fahrzeuges • ALVINN (Autonomous Land Vehicle In a Neural Network), Pomerleau 1993 • 30x32 input units (Kamera) • 1 hidden layer mit 4 units • 30 output units (Lenkrichtung) • Backpropagation learning • Bis zu 55 miles per hour (~88 km/h) Anwendungen D. Pomerleau: Neural Network Vision for Robot Driving. In: The Handbook of Brain Theory and Neural Networks, M. Arbib, ed., 1995. 45 Zusammenfassung • Ein Neuronales Netz ist ein Rechenmodell, das durch Funktionsweise eines Gehirns motiviert ist. Es besteht aus vielen kleinen Einheiten, die parallel und ohne zentrale Kontrolle arbeiten. • Das Verhalten eines neuronalen Netzes wird durch die Topologie und die Neuronen bestimmt. Feed-forward Netzwerke (Verbindungen sind azyklische Graphen) sind einfach zu analysieren. Sie sind zustandsfreie Funktionen. • Ein Perzeptron ist ein Feed-forward Netzwerk mit einer Neuronenschicht und kann nur linear separable Funktionen repräsentieren. Wenn die Daten linear separabel sind, kann die Perzeptron Lernregel auf die Gewichte angewandt werden und die Daten werden exakt repräsentiert. • Multilayer feed-forward forward Netzwerke können jede Funktion repräsentieren, genug Neuronen vorausgesetzt. • Der Back-Propagation-Lernalgorithmus wird für Multilayer Feed-forward- Netzwerke verwendet. Hier wird das Gradientenabstiegsverfahren durchgeführt, um den Gesamtfehler zu minimieren. Es konvergiert in ein lokales Optimum, hat aber viel Erfolg in realen Anwendungen. Keine Garantie für das Finden eines globalen Optimums (wie hill-climbing). 46 23
Seite 1 und 2: 12.05.2009 www.is.cs.uni-fra ankfur
Seite 3 und 4: 12.05.2009 Motorische Zelle Quelle:
Seite 5 und 6: 12.05.2009 2. Neuronale Netzwerke
Seite 7 und 8: 12.05.2009 Logische Gatter • Neur
Seite 9 und 10: 12.05.2009 Hopfield Netzwerke • W
Seite 11 und 12: 12.05.2009 Optimale Netzwerkstruktu
Seite 13 und 14: 12.05.2009 Lineare Separierbarkeit
Seite 15 und 16: 12.05.2009 Multilayer Feed-forward
Seite 17 und 18: 12.05.2009 Back-Propagation Lernen
Seite 19 und 20: 12.05.2009 Backpropagation - Illust
Seite 21: 12.05.2009 Diskussion: ist BackProp

Künstliche Neuronale Netze

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?