Lernverfahren von Künstlichen Neuronalen Netzwerken
Lernverfahren von Künstlichen Neuronalen Netzwerken
Lernverfahren von Künstlichen Neuronalen Netzwerken
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
eines für die Phase, in welcher der Computer springen darf, der Gegner aber nicht und noch eines für den umgekehrten<br />
Fall. Dazu wäre auch noch mindestens ein Netz nötig, das bei einer Mühle des Computers den gegnerischen<br />
Stein auswählt, der entfernt werden soll.<br />
Bei der Entwicklung ging ich etwa gleich vor, wie beim Buchstabenerkennungsprogramm. Ich dachte mir aber etwa<br />
acht verschiedene Arten aus, wie ich dem Netz die momentane Spielsituation eingeben soll, und wie das Netz mir<br />
wiederum zurückgeben soll, welchen Zug es machen will:<br />
- Einige Arten zielten auf die 24 Knotenpunkte ab. Ich wies jedem Knotenpunkt zwei oder drei Eingabeneuronen<br />
zu und übermittelte dem Netz über diese, ob auf dem Feld ein gegnerischer, ein eigener oder gar kein Spielstein<br />
steht. Die 24 Ausgabeneuronen sind ebenfalls den Knotenpunkten zugewiesen. Ist das erste Ausgabeneuron<br />
am aktivsten, will das Netz den nächsten Spielstein auf Feld Nummer 1 setzen, usw.<br />
- In den nächsten Arten stehen die 18 möglichen Mühlen im Vordergrund. Jeder Dreiergruppe <strong>von</strong> Knotenpunkten<br />
wies ich wieder eine verschiedene Anzahl <strong>von</strong> Eingabeneuronen zu. Die 18 Ausgabeneuronen teilte<br />
ich dann in zwei Teile. Die ersten neun bestimmen in welcher horizontalen Dreiergruppe, die zweiten neun in<br />
welcher vertikalen Dreiergruppe der nächste Spielstein liegen soll.<br />
- Ich probierte auch ein Netz zu entwickeln, das zwischen zwei möglichen Spielsituationen das günstigere bestimmen<br />
könnte. So hätte ich mit einem explizit programmierten Programm alle möglichen Züge berechnen und<br />
immer die resultierende Situation <strong>von</strong> zwei Zügen dem Netz übergeben können. Weil ein Spieler allerhöchstens<br />
26 verschiedene Zugmöglichkeiten hat (entweder mit 8 Steinen in drei Richtungen und mit einem Stein in zwei<br />
oder mit vier Steinen in vier Richtungen und mit fünf Steinen in zwei Richtungen), wären höchstens 26 solcher<br />
Vergleiche nötig, um den besten Zug herauszufinden. Am Anfang schien mir diese Art sehr vielversprechend,<br />
ich musste sie aber aufgeben, weil ich das Netz nicht komplett ins Programm integrieren konnte, und so vor<br />
jedem Zug die 26 Vergleiche <strong>von</strong> Hand hätten ausgeführt werden müssen, was doch ziemlich umständlich<br />
wäre.<br />
- Auch mit einem Kohonen-Netzwerk versuchte ich einmal einen Mühlespiel-Computer zu entwickeln, ich konnte<br />
mir aber keine Methode ausdenken, wie ich die verschiedenen Regionen auf der Kohonenschicht einem Zug<br />
zuordnen sollte und gab darum auf.<br />
4.3 Anwendung in Forschung und Industrie 17,18,19<br />
KNN werden heute in vielen verschiedenen Gebieten der Technik eingesetzt. Im folgenden werden die Aufgaben<br />
beschrieben, für die KNN geeignet sind und z.T. schon heute in Forschung und Industrie zur Lösung verwendet<br />
werden.<br />
• Probleme für die man keinen expliziten Algorithmus kennt, aber viele Beispiele zur Verfügung hat. Ein KNN<br />
mit der richtigen Topologie und Konfiguration kann aus den Beispielen eine Regel extrahieren und wird so<br />
auf ähnliche Eingaben auch ähnlich reagieren.<br />
– Prognosen Sollen Vorgänge vorausgesagt werden, bei denen kleinste Änderungen in den Ursachen zu<br />
grossen Unterschieden in den Wirkungen führen, sind KNN oft die beste Lösung. So wird z.B. der<br />
Intensitätsverlauf eines NH 3 -Lasers mit Hilfe <strong>von</strong> rekurrenten <strong>Netzwerken</strong> prognostiziert. Dies erstaunt<br />
auch nicht sehr, da die Intensität zu einem Zeitpunkt zum grössten Teil <strong>von</strong> der Intensität zu unmittelbar<br />
vorangehenden Zeitpunkten abhängt und damit eine Zeitreihe darstellt.<br />
Auch könnte man sich denken mit neuronalen Netzen das Wetter oder gar die Börse vorauszusagen,<br />
jedoch gelang es bis heute noch nicht zuverlässige Wetterprognosen oder Kursverläufe nur mit Hilfe<br />
26