Lernverfahren von Künstlichen Neuronalen Netzwerken

werden können (z.B. Glas, Kunststoff, Natursteinplatten). Solche Aufgaben könnten in Zukunft neuronale
Netze übernehmen.
– Schrift- und Spracherkennung Die Kommunikation zwischen Mensch und Computer findet heute
zu einem grossen Teil über Tastatur und Bildschirm statt. Dabei hätte der Mensch viele andere
Möglichkeiten Informationen auszutauschen, der Computer machte es aber bisher noch nicht möglich
diese zufriedenstellend zu benutzen. Mit neuronalen Netzen könnten sich Wege öffnen. So wurde beispielsweise
für die japanische Schrift ein Netz entwickelt, das über ein Schreibgerät erlaubt Wörter von
Hand einzugeben. Dies ist sehr hilfreich, denn die japanische Schrift kennt rund 3000 Zeichen. Weitere
interessante Anwendungen in diesem Gebiet sind zum Beispiel Unterschriftenerkennung, Personenidentifikation,
Spracherkennung oder Interpretation der Mimik von Menschen.
– Auswertung von Bildaufnahmen Teleskope und Satelliten produzieren laufend eine riesige Menge
an Bildern, die ohne Hilfe von informationsverarbeitenden Systemen nicht ausgewertet werden könnten.
Um schnell die interessanten Bilder herauszufiltern werden KNN eingesetzt.
5 Diskussion
Anhand von verschiedenen Modellen wurden die Formen des Lernens in künstlichen neuronalen Netzen dargestellt.
Aber wie lernt nun unser Gehirn? Wie in Kapitel 2.5 dargestellt, gibt es schon beim Aufbau der Netze wesentliche
Unterschiede zwischen Vorbild und Modell. Diese würden aber den eigentlichen Lernvorgang noch nicht verändern,
so dass meiner Meinung nach in einem KNN der Lernalgorithmus des Gehirns, falls es einen gibt, ausgeführt
werden könnte. Ein Problem stellt die Speicherung der Informationen dar, die im Gehirn z.T. in Form von Eiweissen
stattfindet. Klar ist, dass im Gehirn unmöglich mit einem überwachten Lernverfahren gelernt wird. Teuvo Kohonen
zeigte mit seinem Modell, dass es möglich ist sehr biologienahe Modelle zu entwickeln. Ich denke, dass der Trend
in diese Richtung weiter gehen wird. Hat man die einfacheren Modelle erst einmal verstanden, kann man beginnen
immer kompliziertere Systeme zu entwerfen und immer mehr Aspekte des biologischen Vorbilds zu integrieren. Mit
der steigenden Leistungsfähigkeit der Computer ist es möglich immer grössere Netze mit immer mehr Verbindungen
zu simulieren. Ich bin mir sicher, dass so weitere Erkenntnisse in der Hirnforschung gemacht werden.
6 Zusammenfassung
Künstliche neuronale Netze (KNN) sind informationsverarbeitende Systeme, die ähnlich wie biologische Nervensysteme
(z.B. unser Gehirn) aufgebaut sind. Sie bestehen aus einer grossen Anzahl von Neuronen, die über Verbindungen
einfache Signale austauschen. Im Gegensatz zu herkömmlichen Computern müssen sie nicht explizit
programmiert werden, sondern sie lernen aus Beispielen. Dies führt dazu, dass KNN für andere Anwendungen als
Computer geeignet sind.
Der Lernvorgang in einem künstlichen neuronalen Netz wird durch Lernalgorithmen gesteuert, welche z.T. von
biologischen Systemen übernommen wurden. In dieser Arbeit werden die gängigsten Lernverfahren vorgestellt und
einerseits untereinander andererseits mit ihrem biologischen Vorbild verglichen. Anschliessend sind Probleme und
Aufgaben beschrieben, für deren Lösung schon heute KNN eingesetzt werden.
28