Kapitel VI Neuronale Netze
Kapitel VI Neuronale Netze
Kapitel VI Neuronale Netze
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Einfaches Perzeptron<br />
XOR-Problem<br />
<strong>Kapitel</strong> <strong>VI</strong>.3: <strong>Neuronale</strong> <strong>Netze</strong><br />
Logisches AND ist<br />
linear separierbar<br />
Logisches XOR ist nicht<br />
linear separierbar<br />
Vorlesung Knowledge Discovery<br />
0<br />
0<br />
0 0<br />
1 0<br />
Führt man weitere Hyperebenen ein, so<br />
kann man auch hier die Klassen<br />
unterscheiden. ==> Realisierung durch Zwischenschichten<br />
1<br />
1<br />
45<br />
– Perzeptron kann z.B. verschiedene Boolsche Funktionen<br />
repräsentieren: AND, OR, NAND, NOR (aber: XOR ist nicht<br />
darstellbar)<br />
• Realisierung von AND:<br />
· wähle Perzeptron mit zwei Eingabegrößen<br />
· wähle w 0 = -0.8, w 1 = w 2 = 0.5<br />
• AND, OR sind Spezialfall sogenannter ‘‘m-aus-n Funktionen‘‘<br />
(m-of-n functions): wenigstens m der n Eingabegrößen müssen<br />
1 sein, hier:<br />
- AND: m=1 (wenigstens 1 Eingabegröße ist 1)<br />
- OR: m=n (alle Eingabegrößen sind 1)<br />
Vorlesung Knowledge Discovery<br />
46<br />
Multi Layer Perzeptron<br />
Agenda<br />
Multi Layer Perzeptron<br />
Erinnerung Perzeptron<br />
1. Einführung<br />
2. Einfaches Perzeptron<br />
3. Multi Layer Perzeptron<br />
- Vektorschreibweise der Deltaregel<br />
- Schichten des MLP<br />
- Backpropagation<br />
- Probleme der Backpropagation<br />
- Varianten der Backpropagation<br />
4. Beispiel<br />
5. Rekurrente <strong>Netze</strong><br />
6. Entwurfsüberlegungen<br />
w i := •x i •e<br />
(Synapsenveränderung)<br />
• Schwellwert: s<br />
•Netz-Output: o = (x 1 w 1 +x 2 w 2 +x 3 w 3 +...+x n w n -s)<br />
• erwarteter Output: t (target)<br />
• gemachter Fehler: e = t - o (error)<br />
•Lernkonstante:<br />
<br />
x 1 x 2 x 3 x 4 ... ... x n<br />
w 1 w 2 w 3 w 4 w n<br />
o s<br />
Vorlesung Knowledge Discovery<br />
47<br />
Vorlesung Knowledge Discovery<br />
48