Date post: | 05-Apr-2015 |
Category: |
Documents |
Upload: | wendelin-widder |
View: | 128 times |
Download: | 2 times |
Neuronale Netze
Von Kay-Patrick Wittbold
BESTANDTEILE
Natürliches Neuron
• Zellkörper bis 0,25mm Größe• Bilden Ausläufer mit dicken Enden, die sogenannten
Synapsen• Dendriten: Eingangssignal• Axone: Ausgangssignal• Synapsen sorgen für die Weiterleitung von Reizen• Arbeitet mit Ionen zur Steuerung des Signals
(Schwellenwert muss überschritten werden damit Neuron „feuert“)
• Im Gehirn zwischen 100 Milliarden und 1 Billionen
100µm
Künstliches Neuron
• Eingabevektor x• Gewichtsvektor w• Aktivierungsfunktion gibt an wie sich ein
neuer Aktivierungszustand aus Eingabe, Netzeingabe und Schwellenwert ergibt
• Ausgabefunktion bestimmt aus der Aktivierung die Ausgabe des Neurons
• In künstlichen Neuronalen Netzen zwischen 10² und 104
Gewichtung
• wij=0 bedeutet keine Verbindung von Neuron i zu Neuron j
• wij<0 bedeutet hemmende Verbindung von Neuron i zu Neuron j
• wij>0 bedeutet anregende Verbindung von Neuron i zu Neuron j
Schwellenwert
• S-förmige Funktionen (Sigmoide Funktionen)• Häufig verwendet:
• Aber auch binäre Schwellenwertfunktion
xe11 )tanh(x
NEURONALE NETZE
Künstliche Neuronale Netze (KNN)
• Besteht aus künstlichen Neuronen• Verbindungsnetzwerk der Zellen (gerichteter,
gewichteter Graph)• Propagierungsfunktion: gewichtete Summe
der Ausgaben der Vorgängerzelle• Lernregel: Algorithmus, nach dem das Netz
lernt, für eine vorgegebene Eingabe eine gewünschte Ausgabe zu produzieren
Exkurs Graphentheorie
Gerichteter Graph
Gewichteter Graph
Gerichteter, gewichteter Graph
Künstliches Neuronales Netz
• Gerichteter, gewichteter Graph mit Neuronen als Knoten, Verbindungen als Kanten
• Neuronen haben beliebig viele Verbindungen untereinander
• Neuronen können nur eine Ausgabe senden, beliebig viele Eingaben erhalten
Arten Neuronaler Netze
• Netze ohne Rückkopplung– Ebenenweise verbunden– Allgemein
• Netze mit Rückkopplung– Direkte Rückkopplung– Indirekte– Rückkopplung innerhalb einer Schicht– Vollständig verbundene
Abstraktes Beispiel
Abstraktes Beispiel1 2 3 4 5 6 7
1 -0,8 0,3
2 0,1 0,7 0,2
3 -0,3
4 -0,4
5 0,5
6 0,6
7
Konkretes Beispiel AND
Konkretes Beispiel AND
• Eingabe: binär (1 oder 0)• Gewichtungsvektor (1,1)• Schwellenwert 2• Ausgabe: 1, falls
Eingabe1*Gewichtung1+Eingabe2*Gewichtung2 >=2; sonst 0
Konkretes Beispiel OR
Konkretes Beispiel OR
• Eingabe: binär (1 oder 0)• Gewichtungsvektor (1,1)• Schwellenwert 1• Ausgabe: 1, falls
Eingabe1*Gewichtung1+Eingabe2*Gewichtung2 >=1; sonst 0
Modellierung des Lernens
• Entwicklung neuer Verbindungen • Löschen existierender Verbindungen • Modifikation der Verbindungsstärke
(Veränderung der Gewichte) • Modifikation des Schwellenwertes • Modifikation der Aktivierungs- bzw.
Ausgabefunktion • Entwicklung neuer Zellen • Löschen bestehender Zellen
Modellierung des Lernens
• Überwachtes Lernen (Backpropagation)• Bestärkendes Lernen• Unüberwachtes Lernen
Nachteile Neuronaler Netze
• Training• Trainingsdaten• Vermeidung von auswendig lernen von Daten• Präsentation der Trainingsdaten muss
problemangepasst sein
Quellen
• http://wwwmath.uni-muenster.de/num/Vorlesungen/MedizinUndMathematik/
• http://de.wikipedia.org/w/index.php?title=Datei:PLoSBiol4.e126.Fig6fNeuron.jpg&filetimestamp=20080131213023
• http://www.greenspine.ca/en/mGFP_neuron2.html
• http://de.wikipedia.org/wiki/Datei:ArtificialNeuronModel_deutsch.png