Wahlmodul Neuronale Netze und Strömungssimulation
Strömungssimulation (Infos bei Prof. Schröder)
Künstliche neuronale Netze
Künstliche neuronale Netze (KNN) sind spezielle mathematische Modelle, die in besonderer Weise für Aufgaben des Anforderungstyps "Mustererkennung" geeignet sind. Dieser Begriff ist ganz allgemein zu verstehen, umfasst aber insbesondere das Erkennen von funktionalen Zusammenhängen zwischen physikalischen, chemischen, wirtschaftlichen etc. Größen. Durch diese Eigenschaften bilden künstliche neuronale Netze ein leistungsfähiges Instrument, um das in einer Vielzahl von Datenbanken bzw. Meßdatenerfassungssystemen in Form von Versuchsreihen, Anlagen- und Prozessmeßwerten latent vorhandene Wissen über chemische Rezepturen, technische Verfahren und Prozesse etc. aufzudecken und für Anwendungen nutzbar zu machen. Darüber hinaus lassen sich auch viele Anwendungen aus der klassischen KI (künstliche Intelligenz) mittels neuronaler Netze implementieren, insbesondere im Bereich der Bilderkennung
Inhalte des Teils "Neuronale Netze"
Hauptrichtungen der Neuroinformatik: Neurobiologie, theor. Neuroinformatik, angewandte Neuroinformatik
Methoden der KI: XPSe, Induktive Systeme, Fuzzy-Systeme, Neuro-Fuzzy-Systeme
Zielsetzungen der angewandten Neuroinformatik: Funktionsapproximation, Klassifikation, Mustervervollständigung, Optimierung, Data Reconciliation, Topologische Karten
Netztypen und Lernverfahren: Lineare Regression, Gradientenverfahren, typische Ansätze der lin. Regression, Wechselwirkungsterme, Adaline und Perceptron
Feedforward-Netzwerke: Struktur, Übertragunsfunktion, Batch-Backpropagation, Single-Step-BP, Aussagen von Hornik, Stinchcombe & White sowie Barron, Anzahl innerer Knoten, Anzahl Lernschritte
Sonstige Typen: Radiale Basisfunktionen, Hopfield- und Boltzmann-Netze, Recurrente Netze, Feature Maps
Parameterauswahl und Kodierung: Wirkungsrichtung, Auswahl von Ein- und Ausgangsgrößen
Anwendungsaspekte: Behandlung unvollständiger Datensätze, Behandlung von Klassifikatoren, Netzstrukturoptimierung
Softwaresimulation neuronaler Netze: Umsetzung mittes der Software NN-Tool
Literatur
D. Nauck, C. Borgelt, F. Klawonn und R. Kruse
Von den Grundlagen Neuronaler Netze zu modernen Fuzzy-Systemen
Vieweg, Braunschweig/Wiesbaden 2003 (3. Auflage)
R. Rojas
Theorie der neuronalen Netze: Eine systematische Einführung
Springer, Berlin 1993
A. Zell
Simulation neuronaler Netze
Addison-Wesley, Bonn 1994
S. Haykin
Neural Networks
A Comprehensive Foundation
Prentice-Hall, Upper Saddle River, NJ, USA 1994
