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

Neuro-Fuzzy-Systeme

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