Lernverfahren von Künstlichen Neuronalen Netzwerken

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