Simulation neuronaler Netze:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
München [u.a.]
Oldenbourg
2003
|
| Ausgabe: | 4., unveränd. Nachdr. |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis Klappentext |
| Beschreibung: | Zugl.: Stuttgart, Univ., Habil.-Schr., 1994 |
| Beschreibung: | 624 S. Ill., graph. Darst. |
| ISBN: | 3486243500 |
Internformat
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV017650351 | ||
| 003 | DE-604 | ||
| 005 | 20070411 | ||
| 007 | t | ||
| 008 | 031113s2003 ad|| m||| 00||| ger d | ||
| 020 | |a 3486243500 |9 3-486-24350-0 | ||
| 035 | |a (OCoLC)249017987 | ||
| 035 | |a (DE-599)BVBBV017650351 | ||
| 040 | |a DE-604 |b ger |e rakwb | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-20 |a DE-861 |a DE-355 |a DE-703 |a DE-858 |a DE-522 | ||
| 084 | |a QH 700 |0 (DE-625)141608: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 301 |0 (DE-625)143651: |2 rvk | ||
| 084 | |a WC 7000 |0 (DE-625)148142: |2 rvk | ||
| 100 | 1 | |a Zell, Andreas |d 1962- |e Verfasser |0 (DE-588)141366036 |4 aut | |
| 245 | 1 | 0 | |a Simulation neuronaler Netze |c von Andreas Zell |
| 250 | |a 4., unveränd. Nachdr. | ||
| 264 | 1 | |a München [u.a.] |b Oldenbourg |c 2003 | |
| 300 | |a 624 S. |b Ill., graph. Darst. | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 500 | |a Zugl.: Stuttgart, Univ., Habil.-Schr., 1994 | ||
| 650 | 4 | |a Neuronales Netz - Simulation | |
| 650 | 0 | 7 | |a Simulation |0 (DE-588)4055072-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Computersimulation |0 (DE-588)4148259-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 0 | 1 | |a Simulation |0 (DE-588)4055072-2 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 1 | 1 | |a Computersimulation |0 (DE-588)4148259-1 |D s |
| 689 | 1 | |8 1\p |5 DE-604 | |
| 856 | 4 | 2 | |m Digitalisierung UB Regensburg |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000003&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 856 | 4 | 2 | |m Digitalisierung UB Regensburg |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000004&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |3 Klappentext |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-010614502 | ||
| 883 | 1 | |8 1\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
Datensatz im Suchindex
| _version_ | 1804130394527760384 |
|---|---|
| adam_text | Inhaltsverzeichnis
Teil
Kapitel 1 Einleitung und Motivation...............................................................................23
1.1 Was sind Neuronale Netze?.......................................................................23
1.2 Geschwindigkeitsvergleich Gehirn - Rechner...........................................25
1.3 lOO-Schritt-Regel.......................................................................................26
1.4 Vergleich Konnektionismus - klassische Künstliche Intelligenz (KI).......26
1.5 Eigenschaften neuronaler Netze................................................................26
1.6 Geschichte neuronaler Netze.....................................................................28
1.6.1 Frühe Anfange (1942-1955).......................................................................28
1.6.2 Erste Blütezeit (1955-1969).......................................................................29
1.6.3 Die stillen Jahre (1969-1982).....................................................................29
1.6.4 Die Renaissance neuronaler Netze (1985-heute).......................................32
1.7 Bemerkungen zum vorliegenden Buch......................................................34
Kapitel 2 Biologische Neuronen......................................................................................35
2.1 Aufbau einer Nervenzelle..........................................................................35
2.2 Zellmembran von Nervenfasern................................................................39
2.3 Fortpflanzung des Nervensignals entlang des
2.4 Myelinhülle................................................................................................43
2.5 Weiterleitung des Nervensignals über eine
2.6
2.7 Einige Zahlen und Formeln über Neuronen...............................................49
2.8 Vereinfachte Modellierung von Neuronen bei der Simulation..................51
Kapitel 3 Kleine Verbände von Nervenzellen.................................................................55
3.1 Die Meeresschnecke Aplysia.....................................................................55
3.2 Steuerung des Herzschlags und Blutdrucks von Aplysia...........................55
3.3 Steuerung des Kiemenreflexes von Aplysia...............................................57
Kapitel 4 Gehirn des Menschen.......................................................................................59
4.1 Struktur des Gehirns..................................................................................59
4.2 Sensorische Nervenleitung.........................................................................61
4.3 Sinneswahrnehmungen..............................................................................62
4.4 Motorische Nervenleitung.........................................................................63
4.5 Das autonome Nervensystem.....................................................................64
Inhaltsverzeichnis
4.6 Weg der visuellen Information ins Sehfeld................................................64
4.6.1 Augendominanz-Spalten des primären Sehfeldes.....................................65
4.7 Bereiche der Großhirnrinde.......................................................................66
4.7.1 Aufteilung in
4.7.2 Lage
4.7.3 Verstehen und Produktion von Sprache und Schrift..................................67
Teil
Kapitel 5 Konzepte des Konnektionismus.......................................................................71
5.1 Zellen als stark idealisierte Neuronen........................................................71
5.2 Bestandteile neuronaler Netze...................................................................72
5.3 Zelltypen nach Position im Netzwerk........................................................73
5.4 Beispiel eines Netzes: XOR-Netzwerk mit 4 Zellen.................................74
5.5 Aktivierungszustand..................................................................................75
5.6 Ausgabefunktion........................................................................................76
5.7 Arten von Verbindungsnetzwerken............................................................76
5.7.1 Netze ohne Rückkopplung (feedforward-Netze).......................................78
5.7.2 Netze mit Rückkopplungen........................................................................78
5.7.3 Hinweise zur Matrixschreibweise..............................................................80
5.7.4 Ersetzung der Schwellenwerte durch ein
5.8 Propagierungsregel und Aktivierungsfunktion..........................................83
5.9 Lernregel....................................................................................................83
5.9.1 Theoretisch mögliche Arten des Lernens...................................................84
5.9.2 Hebbsche Lernregel...................................................................................84
5.9.3 Delta-Regel................................................................................................85
5.9.4 Backpropagation-Regel..............................................................................85
Kapitel 6 Komponenten neuronaler Modelle..................................................................87
6.1 Dynamische Eigenschaften der Modelle...................................................87
6.1.1 Synchrone Aktivierung..............................................................................87
6.1.2 Asynchrone Aktivierung............................................................................88
6.2 Weiteres über Aktivierungsfunktionen.......................................................89
6.2.1 Lineare Aktivierungsfunktionen................................................................89
6.2.2 Schrittfunktion...........................................................................................90
6.2.3
6.3 Lernen in Neuronalen Netzen....................................................................93
6.3.1 Überwachtes Lernen..................................................................................93
6.3.2 Probleme und Fragen überwachter Lernverfahren....................................95
6.3.3 Bestärkendes Lernen
6.3.4 Unüberwachtes Lernen (unsupervised
Kapitel
7.1
7.2
7.3
7.4 Zweistufige
7.5 Dreistufige Perzeptrons............................................................................102
7.6 Lernverfahren des Perzeptrons................................................................103
Kapitel 8 Backpropagation............................................................................................105
8.1 Prinzip des Lernverfahrens Backpropagation..........................................105
8.2 Prinzip der Gradientenverfahren neuronaler Netze.................................106
8.3 Herleitung der Delta-Regel......................................................................107
8.4 Herleitung der Backpropagation-Regel...................................................108
8.5 Probleme des Lernverfahrens Backpropagation......................................110
8.5.1
8.5.2 Lokale
8.5.3 Flache Plateaus.........................................................................................112
8.5.4 Oszillationen in steilen Schluchten..........................................................112
8.5.5 Verlassen guter
8.5.6 Wahl der Schrittweite...............................................................................113
8.5.7 Wahl des Dynamikbereichs......................................................................114
Kapitel 9 Modifikationen von Backpropagation............................................................115
9.1
9.2
9.3
9.4
9.5 Normierung des Gradienten.....................................................................118
9.6 SuperSAB: eigene Schrittweite für jedes Gewicht..................................118
9.7 Delta-Bar-Delta-Regel.............................................................................119
9.8 Verallgemeinerung auf Sigma-Pi-Zellen..................................................119
9.9
9.10 Quickprop................................................................................................120
9.11
Kapitel 10 Backpercolation
10.1 Prinzip des Lernverfahrens Backpercolation...........................................127
10.2 Backpropagation als Grundlage für Backpercolation..............................128
10.3 Der Aktivierungsfehler im Backpercolaüon-Netzwerk...........................130
10.4 Nachrichten an die Vorgänger zur Änderung der Aktivierung.................131
10.5 Adaption der Gewichte in Backpercolation.............................................133
Inhaltsverzeichnis
10.6 Lernrate und Fehlerverstärkung...............................................................133
10.7 Initialwerte der Gewichte für Backpercolation........................................134
10.8 Verallgemeinerung von Backpercolation für
Kapitel 11 Jordan-Netze und Elman-Netze.....................................................................137
11.1 Repräsentation von Zeit in neuronalen Netzen........................................137
11.2 Jordan-Netze............................................................................................138
11.3 Elman-Netze............................................................................................140
11.4 Hierarchische Elman-Netze.....................................................................141
11.5 Lernverfahren der partiell rekurrenten Netze..........................................143
Kapitel 12 Gradientenverfahren für rekurrente Netze.....................................................145
12.1 Backpropagaüon
12.2
12.3 Kombination von
12.4
12.5 Zeitabhängiges
Kapitel 13
13.1
13.2 Der Cascade-Correlation-Algorithmus....................................................162
13.3 Vergleich von
13.4 Diskussion von
13.5 Die Rekurrente Cascade-Correlation-Architektur...................................168
13.6 Training der Rekurrenten Cascade-Correlation-Architektur...................169
Kapitel 14 Lernende Vektorquantisierung (LVQ)............................................................171
14.1 LVQ1........................................................................................................172
14.2 LVQ2.1.....................................................................................................174
14.3 LVQ3........................................................................................................175
14.4 OLVQ1.....................................................................................................176
14.5 Bemerkungen zu den LVQ-Algorithmen.................................................177
Kapitel 15 Selbstorganisierende Karlen
15.1 Prinzip der selbstorganisierenden Karten................................................179
15.2 Lernverfahren der selbstorganisierenden Karten.....................................180
15.3 Hinweise zur Verwendung der selbstorganisierenden Karte....................186
Kapitel 16 Counterpropagation........................................................................................189
16.1 Eigenschaften des Lernverfahrens Counterpropagation..........................189
16.2 Counterpropagation-Netz.........................................................................190
16.3 Training der Kohonen-Schicht.................................................................192
16.3.1 Normalisierung der Eingabe....................................................................192
16.3.2 Veränderung der Gewichte.......................................................................192
16.3.3 Initialisierung der Gewichtsvektoren.......................................................193
16.3.4 biterpolativer Modus................................................................................195
16.3.5 Statistische Eigenschaften des trainierten Netzes....................................195
16.4 Training der Grossberg-Schicht...............................................................195
16.5 Vollständiges Counterpropagation-Netz..................................................196
Kapitel 17 Hopfield-Netze...............................................................................................197
17.1 Binäre Hopfield-Netze.............................................................................198
17.2 Stabilität von Hopfield-Netzen................................................................199
17.3 Kontinuierliche Hopfield-Netze...............................................................201
17.4 Anwendung von Hopfield-Netzen:
17.4.1 Abbildung des TSP auf ein Netzwerk......................................................202
Kapitel 18 Boltzmann-Maschine.....................................................................................207
18.1 Die Boltzmann-Maschine als Lösung von Hopfield-Netz-Problemen ....207
18.2 Energie und Aktivierungsfunktion der Boltzmann-Maschine.................208
18.3 Ein Lernverfahren für Boltzmann-Maschinen.........................................210
18.4 Herleitung des Lernverfahrens der Boltzmann-Maschine.......................212
18.5 Veranschaulichung des
Kapitel 19 Bidirektionaler Assoziativspeicher
19.1 Eigenschaften und Struktur des
19.2 Einfachste Version des
19.3 Auffinden gespeicherter Assoziationen des
19.4 Kodierung der Assoziationen des
19.5 Stabilität und Speicherkapazität des
19.6 Nicht-homogenes und kontinuierliches
19.7 AdapüvesBAM.......................................................................................222
19.8 Diskussion des
Kapitel 20 Radiale-Basisfunktionen-Netze (RBF-Netze)...............................................225
20.1 Idee der RBF-Netze.................................................................................225
20.2 Interpolation mit Zentrumsfunktionen.....................................................226
20.3 Interpolation mit Zentrumsfunküonen und Polynomen...........................228
20.4 Approximation mit Zentrumsfunktionen.................................................230
20.5 Variationsrechnung zur Lösung des RBF-Approximationsproblems......231
20.6 Erweiterung und Abbildung auf neuronale Netze....................................234
20.6.1 Erweiterung auf mehrwertige Funktionen...............................................234
20.6.2 Erweiterung um linearen Anteil...............................................................234
20.7
20.8 Iteratives Nachtraining der RBF- und HBF-Netze..................................236
10 Inhaltsverzeichnis
20.9 Wahl der Zentren und Radien in RBF-Netzen.........................................239
Kapitel 21 Probabilistische Neuronale Netze (PNN)......................................................241
21.1 Die Bayes-Strategie zur Mustererkennung..............................................241
21.2 Architektur der Probabilisüschen Neuronalen Netze..............................244
21.3 Lernverfahren des PNN...........................................................................248
21.4 Geschwindigkeit und Generalisierungsleistung.......................................249
21.5 Bewertung der Eigenschaften der PNNs..................................................250
Kapitel 22
22.1 ART-l: Klassifikation binärer Eingabemuster.........................................252
22.1.1 Überbück über die ART-l Architektur.....................................................252
22.1.2 ART-l
22.1.3 ART-l
22.1.4 Verstärkungsfaktoren und
22.1.5 Arbeitsweise von ART-l..........................................................................255
22.1.6 Leistungsüberlegungen............................................................................258
22.1.7 Theoreme über ART-l..............................................................................258
22.2 ART-2: Ein ART-Netzwerk für kontinuierliche Eingaben.......................259
22.2.1 Überbück über ART-2..............................................................................259
22.2.2 Theorie von ART-2...................................................................................261
22.2.3 ART-2 Erkennungsschicht.......................................................................263
22.2.4 ART-2 Lernregeln....................................................................................264
22.2.5 ART-2 Reset-Kontrolle............................................................................265
22.2.6 ART-2 Gewichtsinitialisierung................................................................266
22.2.7 Wahl der Parameter bei ART-2................................................................266
22.3 ART-2A: Eine optimierte Version von ART-2.........................................268
22.4 ART-3: Modelüerung der
22.5 ARTMAP: Überwachtes Lernen mit ART-Netzen...................................273
22.5.1 ARTMAP Netzarchitektur.......................................................................273
22.5.2 ARTMAP Klassifikation..........................................................................274
22.5.3 Mathematische Beschreibung von ARTMAP..........................................276
22.6
22.6.1
22.6.2 Geometrische Interpretation von
Kapitel 23 Neocognitron..................................................................................................285
23.1 Netzwerkstruktur des Neocognitrons.......................................................285
23.1.1 S-Zellen....................................................................................................286
23.1.2 C-Zellen...................................................................................................286
23.2 Prozeß der Mustererkennung durch das Neocognitron............................287
11
23.3 Prinzip der Erkennung deformierter Muster............................................288
23.4 Ein-ZAusgabecharakteristika einer S-Zelle..............................................290
23.5 Unüberwachtes Lernen des Neocognitrons.............................................291
23.6 Funktion der C-Zellen..............................................................................292
23.7 Überwachtes Lernen des Neocognitrons.................................................293
23.8 Neocognitron mit Selective-Attention-Mechanismus..............................296
Kapitel 24 Time-Delay-Netze (TONN)...........................................................................299
24.1 Überblick über Time-Delay-Netze...........................................................299
24.2 Aufbau von Time-Delay-Netzen..............................................................300
24.3 Backpropagation für TDNNs...................................................................302
24.3.1 Herleitung von Backpropagation für TDNNs..........................................303
24.3.2 Beschleunigung des Backpropagation-Algorithmus für TDNNs............306
24.4 Hierarchische TDNNs..............................................................................308
24.5
24.6 TDNN-Architekturen für mehrere Sprecher............................................313
24.7 Automatische Strukturoptimierung von MS-TDNNs..............................316
Kapitel 25 Verfahren zur Minimierung von Netzen........................................................319
25.1 Verschiedene Ansätze zur Verkleinerung von Netzen..............................319
25.2
25.3 Löschen der betragsmäßig kleinsten Gewichte........................................320
25.4 Optimal
25.5 Optimal
25.6 Skelettierung............................................................................................328
25.7 Kostenfunktion für die Gewichte verdeckter Zellen................................330
25.8 Kostenfunktion für die Ausgaben verdeckter Neuronen..........................332
25.9 Vergleich der Verfahren zur Minimierung von Netzen............................333
Kapitel 26
26.1 Idee der Adaptiven Logischen Netze.......................................................335
26.2 Aufbau eines Adaptiven Logischen Netzwerks.......................................336
26.3 Generalisierung in Adaptiven Logischen Netzen....................................338
26.4 Lernverfahren für
26.5 Topologieänderung während des Lernens...............................................340
26.6
26.7 Verarbeitung kontinuierlicher Eingabemuster.........................................342
12 Inhaltsverzeichnis
Teil
Kapitel 27 Software-Simulatoren neuronaler Netze........................................................349
27.1 NeuralWorks Professional n/Plus............................................................349
27.2 BrainMaker..............................................................................................352
27.3 Nestor Development System....................................................................352
27.4 ANSimundANSpec................................................................................352
27.5 NEURO-Compüer...................................................................................353
27.6 NEUROtools............................................................................................354
27.7 SENN++...................................................................................................355
27.8 Die PDP-Simulatoren...............................................................................355
27.9 RCS (Rochester Connectionist Simulator)..............................................356
27.10
27.11 LVQ-PAKundSOM-PAK.......................................................................358
27.12 Pygmalion................................................................................................359
27.13 SNNS (Stuttgarter Neuronale Netze Simulator)......................................361
27.14
27.15 NeuroGraph..............................................................................................366
27.16 UCLA-SFINX..........................................................................................368
27.17 PlaNet.......................................................................................................369
27.18 Aspirin/MIGRAINES..............................................................................372
27.19 FAST........................................................................................................374
27.20 VieNet2....................................................................................................375
27.21 Xerion......................................................................................................375
27.22 GENESIS.................................................................................................377
27.23
27.24
27.25
27.26
Kapitel 28 Der Stuttgarter Neuronale Netze Simulator (SNNS).....................................381
28.1 Stuttgarter Neuronale Netze Simulator....................................................381
28.1.1 Geschichte des SNNS..............................................................................381
28.1.2 Struktur von SNNS..................................................................................383
28.1.3 Unterstützte Architekturen und Leistung.................................................384
28.2 Simulatorkern von SNNS........................................................................384
28.3 Graphikoberfläche von SNNS..................................................................387
28.3.1
28.3.2 Der Netzwerk-Editor................................................................................389
28.3.3 SD-Netzwerk-Visualisierung...................................................................389
28.4 Netzwerkbeschreibungssprache Nessus...................................................389
13
28.4.1 Die Sprache
28.4.2 Beispielprogramm....................................................................................390
28.4.3
28.5 Werkzeuge zur
28.6 Von SNNS unterstützte konnektionistische Modelle...............................391
28.7 Parallele Simulatorkerne für den Parallelrechner MasPar MP-1.............394
28.8
28.9 Einige Anwendungen von SNNS.............................................................394
28.10 Projektmitarbeiter und Bezugsquelle.......................................................397
Kapitel 29 Visualisierungstechniken neuronaler Netze...................................................399
29.1 Wozu Visualisierungstechniken neuronaler Netze?.................................399
29.2 Techniken zur Visualisierung der Netztopologie.....................................399
29.2.1 Zweidimensionale Visualisierung der Netzstruktur.................................400
29.2.2 Dreidimensionale Projektion der Netzstruktur........................................400
29.2.3 Stereo^D-Visualisierung der Netzstruktur..............................................403
29.3 Techniken zur Visualisierung von Gewichten.........................................404
29.4 Techniken zur Visualisierung des zeitlichen Verhaltens von Netzen.......405
29.4.1 Fehlerkurven des Lernfehlers..................................................................405
29.4.2 Trajektorien der Ausgaben bei rekurrenten Netzen.................................406
29.5 Techniken zur Visualisierung selbstorganisierender Karten....................407
29.5.1 Selbstorganisierende Karten als Gitternetze............................................407
29.5.2 Vektor-Lagekarten....................................................................................408
Kapitel 30 Leistungsmessung Neuronaler Netze.............................................................413
30.1 Einführung, Problemstellung...................................................................413
30.1.1 Unterscheidung: Lernverfahren, Netzsimulatoren,
30.1.2 Das Chaos der Maßeinheiten..................................................................414
30.1.3 Was will man überhaupt messen?............................................................415
30.2 Leistungsmessung von Lernverfahren.....................................................416
30.2.1 Verschiedenartigkeit der Lernverfahren...................................................417
30.2.2 Vergleich der Lernverfahren für mehrstufige Feedforward-Netze...........418
30.2.3 Benchmarks für Lernverfahren................................................................420
30.3 Leistungsmessung von Netzwerksimulatoren..........................................424
30.3.1 Problem unterschiedlicher Hardware und Software................................424
30.3.2 Unterschiedliche Implementierung der Lernverfahren............................425
30.3.3 Weitere Einflußfaktoren auf die Messungen............................................425
30.4 Leistungsmessung bei Parallelrechnern und Neurocomputern................425
30.4.1 Leistungsmessung neuronaler Netze auf SIMD-Parallelrechnern...........426
30.4.2 Leistungsmessung neuronaler Netze auf MtMD-Parallelrechnern..........427
30.4.3 Leistongsmessung neuronaler Netze auf
14 Inhaltsverzeichnis
30.4.4 Leistungsmessung neuronaler Netze auf VLSI-Neurocomputern...........429
30.5 Mangelnde Vergleichbarkeit der Implementierungen..............................430
Kapitel 31 Simulation Neuronaler Netze auf SIMD-Parallelrechnern............................431
31.1 Arten der Parallelität in vorwärtsgerichteten neuronalen Netzen............432
31.2 Massiv parallele SIMD-Rechner..............................................................434
31.2.1
31.2.2 MasParMP-1...........................................................................................435
31.2.3 MasParMP-2...........................................................................................437
31.2.4 AMTDAP................................................................................................437
31.3 Implementierungen von Backpropagation auf SIMD-Rechnern.............438
31.4 Kantenparallele, Gitterbasierte Implementierung....................................438
31.5 Listenbasierte Implementierung...............................................................440
31.6 Trainingsmuster-parallele Implementierungen........................................441
31.7 Matrix-Algebra-basierte Implementierungen..........................................442
31.8 Die Implementierung von
31.9 Erste parallele Implementierung für die MasPar MP-1...........................445
31.10 Zweite Knoten- und Trainingsmuster-parallele Implementierung...........447
31.11 Eine kantenparallele Implementierung für die MasPar MP-1.................448
31.12 Vergleich der parallelen Implementierungen auf SIMD-Rechnern.........449
Kapitel 32 Neurocomputer-Architekturen.......................................................................451
32.1 Kriterien für Neurocomputer-Architekturen............................................451
32.2 Koprozessoren für neuronale Netze.........................................................453
32.2.1 HNC ANZA Plus.....................................................................................453
32.2.2
32.2.3 SAICSIGMA-l.......................................................................................453
32.2.4 NeuraLogixADS420...............................................................................453
32.2.5 COKOS....................................................................................................454
32.2.6 Nestor/Intel NilOOO
32.3
32.3.1 TRW Mark
32.3.2 TRWMarkIV..........................................................................................456
32.3.3 ICSI
32.3.4 Fujitsu
32.3.5 MUSIC-System der ETH Zürich (1992)..................................................459
32.4 VLSI-Neurocomputer..............................................................................462
32.4.1 HNC
32.4.2
32.4.3 Siemens SYNAPSE-1..............................................................................466
32.4.4 Connectionist Network Supercomputer CNS-1.......................................470
15
32.5 Ein Simulatorkem von SNNS auf dem
Kapitel 33 VLSI-Neuro-Chips.........................................................................................477
33.1 Klassifikation von
33.2 Digitale
33.2.1
33.2.2 Siemens MA16.........................................................................................480
33.2.3 Nestor/bitelNilOOO.................................................................................482
33.2.4 ICSICNS-1
33.2.5 NeuraLogix NLX420...............................................................................486
33.2.6 WSI-Neurocomputer von Hitachi............................................................487
33.3 Analoge
33.3.1 AT&TChips.............................................................................................487
33.3.2
33.3.3 Intel ETANN (N10).................................................................................488
33.3.4 Weitere analoge VLSI-Neuro-Chips........................................................491
Teil
Kapitel 34 Prognose des Intensitätsverlaufs eines NE^-Lasers.......................................495
34.1 Trainings- und Testdaten des Laser-Prognoseproblems...........................495
34.2 Auswahl einer Netzwerkarchitektur........................................................497
34.3 Ergebnisse der Prognose der Laserintensität...........................................498
Kapitel 35 Ähnlichkeitsanalyse biologisch aktiver Moleküle.........................................501
35.1 Einführung und Motivation......................................................................501
35.2 Wichtige Eigenschaften selbstorganisierender Karten.............................502
35.3 Abbildung der SD-Oberfläche von Molekülen auf einen 2D-Torus........503
35.4 Selbstorganisierende Karten auf Parallelen SIMD-Computern...............505
35.5 Selbstorganisierende Oberflächen
35.6 Dynamische Änderung der Netzwerktopologie.......................................507
35.7 Abbildung von Moleküloberflächen auf die Oberfläche einer Kugel......508
Kapitel 36 Bahnregelung in Ringbeschleunigern und Speicherringen............................511
36.1 Problemstellung.......................................................................................511
36.2 Mathematische Beschreibung des Problems der Bahnkorrektur.............512
36.3 Bahnkorrektur mit neuronalen Netzen.....................................................514
36.4 Implementierung mit SNNS....................................................................515
36.5 Bewertung der Ergebnisse.......................................................................517
Kapitel 37 Texturanalyse mit neuronalen Netzen............................................................519
37.1 Texturen und Texturmerkmale.................................................................520
16 Inhaltsverzeichnis
37.2 Texturanalyse mit neuronalen Netzen......................................................522
37.3 Verbesserungen des Verfahrens................................................................527
37.4 Qualitätskontrolle von Natursteinplatten.................................................528
37.5 Bewertung................................................................................................530
Kapitel 38 Prognose der Sekundärstruktur von Proteinen...............................................533
38.1 Einfährung...............................................................................................533
38.2 Der Ansatz von Quian und Sejnowski.....................................................536
38.3 Partiell rekurrente Netze zur Vorhersage der Proteinstruktur..................538
38.4 Vergleich der Verfahren...........................................................................539
Kapitel 39 Steuerung autonomer Fahrzeuge mit neuronalen Netzen..............................541
39.1 ALVINN...................................................................................................543
39.1.1 Erste Version von ALVINN.....................................................................543
39.1.2 Zweite Version von ALVINN...................................................................546
39.2 VITA und OSCAR...................................................................................547
39.2.1 Erste Version des neuronalen Reglers von OSCAR................................549
39.2.2 Zweite Version des neuronalen Reglers von OSCAR..............................550
39.2.3 Ergebnisse der Simulationen und der Testfahrten mit OSCAR...............551
TeilV Ausblick________________________________________555
Kapitel 40 Ausblick.........................................................................................................557
40.1 Weitere aktuelle Forschungsthemen........................................................557
40.1.1 Komplexitätstheorie neuronaler Netze....................................................557
40.1.2 Hierarchischer Aufbau neuronaler Netze.................................................560
40.1.3 Neuronale Regler
40.1.4 Neuronale Netze und Fuzzy-Logik..........................................................563
40.1.5 Neuronale Netze und Evolutionsalgorithmen..........................................566
40.2 Weitere aktuelle Anwendungsbereiche neuronaler Netze........................569
40.2.1 Neuronale Netze in der Robotik..............................................................569
40.2.2 Spracherkennung mit neuronalen Netzen................................................570
40.2.3 Gesichtserkennung mit neuronalen Netzen.............................................571
40.3 Ausblick...................................................................................................573
Literatur ........................................................................................................................575
Stichwortverzeichnis..............................................................................................................609
Simulation
Dieses Buch bietet einen fundierten Überblick über
das Gebiet der Simulation (künstlicher) neuronaler
Netze. Es gliedert sich in folgende vier Hauptteile:
• Historische Übersicht und Einführung in
biologische Grundlagen sowie in die Funktions¬
weise biologischer neuronaler Netze.
• Das gesamte Spektrum der aktuellen neuronalen
Netzarchitektur und Lemverfahren wird in einer
einheitlichen Bezeichnungsweise so dargestellt,
daß Prinzipien und Unterschiede klar werden und
die Fähigkeiten der Verfahren abgeschätzt werden
können.
• Simulationstechnik neuronaler Netze auf Work¬
stations, Parallelrechnern und Neurocomputem
sowie damit verbundene Probleme der
Simulation,Leistungsmessung und Paralielisierung.
• Anwendungen neuronaler Netze, wobei die dabei
verwendeten Simulatoren unter Leitung des Autors
entwickelt wurden.
Das Buch ist nicht nur als Begleitmaterial einer Vorle¬
sung über neuronaler Netze geeignet, sondern dient
auch zum Selbststudium für alle diejenigen, die mit
neuronalen Netzen arbeiten oder sich einen Überblick
über deren Fähigkeiten verschaffen wollen.
|
| any_adam_object | 1 |
| author | Zell, Andreas 1962- |
| author_GND | (DE-588)141366036 |
| author_facet | Zell, Andreas 1962- |
| author_role | aut |
| author_sort | Zell, Andreas 1962- |
| author_variant | a z az |
| building | Verbundindex |
| bvnumber | BV017650351 |
| classification_rvk | QH 700 ST 300 ST 301 WC 7000 |
| ctrlnum | (OCoLC)249017987 (DE-599)BVBBV017650351 |
| discipline | Biologie Informatik Wirtschaftswissenschaften |
| edition | 4., unveränd. Nachdr. |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02210nam a2200493 c 4500</leader><controlfield tag="001">BV017650351</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20070411 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">031113s2003 ad|| m||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3486243500</subfield><subfield code="9">3-486-24350-0</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)249017987</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV017650351</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-20</subfield><subfield code="a">DE-861</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-522</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 700</subfield><subfield code="0">(DE-625)141608:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 301</subfield><subfield code="0">(DE-625)143651:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">WC 7000</subfield><subfield code="0">(DE-625)148142:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Zell, Andreas</subfield><subfield code="d">1962-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)141366036</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Simulation neuronaler Netze</subfield><subfield code="c">von Andreas Zell</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">4., unveränd. Nachdr.</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">München [u.a.]</subfield><subfield code="b">Oldenbourg</subfield><subfield code="c">2003</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">624 S.</subfield><subfield code="b">Ill., graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Zugl.: Stuttgart, Univ., Habil.-Schr., 1994</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Neuronales Netz - Simulation</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Simulation</subfield><subfield code="0">(DE-588)4055072-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Computersimulation</subfield><subfield code="0">(DE-588)4148259-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Simulation</subfield><subfield code="0">(DE-588)4055072-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Computersimulation</subfield><subfield code="0">(DE-588)4148259-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Regensburg</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000003&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Regensburg</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000004&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Klappentext</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-010614502</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV017650351 |
| illustrated | Illustrated |
| indexdate | 2024-07-09T19:20:20Z |
| institution | BVB |
| isbn | 3486243500 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-010614502 |
| oclc_num | 249017987 |
| open_access_boolean | |
| owner | DE-20 DE-861 DE-355 DE-BY-UBR DE-703 DE-858 DE-522 |
| owner_facet | DE-20 DE-861 DE-355 DE-BY-UBR DE-703 DE-858 DE-522 |
| physical | 624 S. Ill., graph. Darst. |
| publishDate | 2003 |
| publishDateSearch | 2003 |
| publishDateSort | 2003 |
| publisher | Oldenbourg |
| record_format | marc |
| spelling | Zell, Andreas 1962- Verfasser (DE-588)141366036 aut Simulation neuronaler Netze von Andreas Zell 4., unveränd. Nachdr. München [u.a.] Oldenbourg 2003 624 S. Ill., graph. Darst. txt rdacontent n rdamedia nc rdacarrier Zugl.: Stuttgart, Univ., Habil.-Schr., 1994 Neuronales Netz - Simulation Simulation (DE-588)4055072-2 gnd rswk-swf Computersimulation (DE-588)4148259-1 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf (DE-588)4113937-9 Hochschulschrift gnd-content Neuronales Netz (DE-588)4226127-2 s Simulation (DE-588)4055072-2 s DE-604 Computersimulation (DE-588)4148259-1 s 1\p DE-604 Digitalisierung UB Regensburg application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000003&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis Digitalisierung UB Regensburg application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000004&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA Klappentext 1\p cgwrk 20201028 DE-101 https://d-nb.info/provenance/plan#cgwrk |
| spellingShingle | Zell, Andreas 1962- Simulation neuronaler Netze Neuronales Netz - Simulation Simulation (DE-588)4055072-2 gnd Computersimulation (DE-588)4148259-1 gnd Neuronales Netz (DE-588)4226127-2 gnd |
| subject_GND | (DE-588)4055072-2 (DE-588)4148259-1 (DE-588)4226127-2 (DE-588)4113937-9 |
| title | Simulation neuronaler Netze |
| title_auth | Simulation neuronaler Netze |
| title_exact_search | Simulation neuronaler Netze |
| title_full | Simulation neuronaler Netze von Andreas Zell |
| title_fullStr | Simulation neuronaler Netze von Andreas Zell |
| title_full_unstemmed | Simulation neuronaler Netze von Andreas Zell |
| title_short | Simulation neuronaler Netze |
| title_sort | simulation neuronaler netze |
| topic | Neuronales Netz - Simulation Simulation (DE-588)4055072-2 gnd Computersimulation (DE-588)4148259-1 gnd Neuronales Netz (DE-588)4226127-2 gnd |
| topic_facet | Neuronales Netz - Simulation Simulation Computersimulation Neuronales Netz Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000003&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=010614502&sequence=000004&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT zellandreas simulationneuronalernetze |