• Profil
• Kontakt
• Methoden
• Projekte
• Veröffentlichungen
• Links

Künstliche neuronale Netze sind inspiriert durch den Aufbau und die Funktionsweise des Gehirns. Sie verfolgen den Ansatz, künstliche Neuronen, welche eine einfache, nichtlineare Funktion realisieren, so miteinander zu verknüpfen, daß eine komplexe Funktionsweise entsteht.

Wie sein biologisches Vorbild muß ein künstliches neuronales Netz seine Aufgabe lernen - diese Lernphase wird durch verschiedene Algorithmen realisiert, welche das Netz auf der Basis von speziell vorverarbeiteten Lerndaten trainieren. Prinzipiell werden dabei überwachte und unüberwachte Lernverfahren unterschieden.

Nach erfolgreicher Lernphase kann ein Netz zur Approximation nichtlinearer und stochastischer Zusammenhänge sowie für Klassifikations- und Regelungsaufgaben eingesetzt werden.

Besonders hervorzuheben ist die Eigenschaft von KNNs, nichtlineare Zusammenhänge allein auf der Basis von Datensamples zu lernen. Dadurch entfällt eine zeitaufwendige Erstellung des zugrundeliegenden Modells.

• Lernfähigkeit
• Generalisierungsfähigkeit.
• Approximation nichtlinearer Abhängigkeiten.
• Klassifikationsfähigkeit.
• Systementwurf ohne a-priori-Wissen.
• Visualisierung von Datenstrukturen.

KNNs lernen anhand von Beispieldaten, eine bestimmte nichtlineare Funktion zu approximieren.

Da diese Daten meist nicht nur die für eine zu erlernende Funktion relevanten Information tragen, sondern auch noch eine Vielzahl nicht relevanter Signale, gehen dem Lernvorgang einige Schritte der Datenvorverarbeitung voraus.

Diese erlauben es, relevante Informationsanteile zu identifizieren, sie hervorzuheben und zu verstärken. Oftmals realisiert die Datenvorverarbeitung auch Filterfunktionen und erlaubt eine Abschätzung der Güte der Lerndaten.

Oft genügt es für die zufriedenstellende Lösung eines Problems, nur eine Teilmenge aller zur Verfügung stehenden Parameter zu berücksichtigen.
Durch die Datenvorverarbeitung werden aus der Vielzahl der bereitstehenden Parameter diejenigen bestimmt, die signifikant zur Lösung beitragen.
Die dadurch realisierte Minimierung des Datenraums trägt sowohl zu einer präziseren, als auch zu einer - gemessen an der Prozesszeit - schnelleren Lösung des Problems bei.