Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Einführung in NeuroFuzzy Technologien © INFORM 1990-1998Seite 1 Seminar und Workshop © Constantin von Altrock INFORM GmbH Pascalstrasse 23 D-52076 Aachen.

Ähnliche Präsentationen


Präsentation zum Thema: "Einführung in NeuroFuzzy Technologien © INFORM 1990-1998Seite 1 Seminar und Workshop © Constantin von Altrock INFORM GmbH Pascalstrasse 23 D-52076 Aachen."—  Präsentation transkript:

1 Einführung in NeuroFuzzy Technologien © INFORM 1990-1998Seite 1 Seminar und Workshop © Constantin von Altrock INFORM GmbH Pascalstrasse 23 D-52076 Aachen English Version Available! Telefon +49-2408-945680 Fax +49-2408-945685 Email: hotline@inform-ac.com Internet: www.fuzzytech.com Seminar und Workshop © Constantin von Altrock INFORM GmbH Pascalstrasse 23 D-52076 Aachen English Version Available! Telefon +49-2408-945680 Fax +49-2408-945685 Email: hotline@inform-ac.com Internet: www.fuzzytech.com Kombination Neuronaler Netzwerke mit Fuzzy Logic Grundlagen Neuronaler Netze Lernverfahren für Neuronale Netze Kombination Neuro und Fuzzy Training von Fuzzy-Systemen Zusammenwachsen der Technologien Beispiele Kombination Neuronaler Netzwerke mit Fuzzy Logic Grundlagen Neuronaler Netze Lernverfahren für Neuronale Netze Kombination Neuro und Fuzzy Training von Fuzzy-Systemen Zusammenwachsen der Technologien Beispiele

2 Neuronale Netze: - Neuronenmodel - Neuronale Netze: - Neuronenmodel - © INFORM 1990-1998Seite 2 Mehrere Eingänge, ein Ausgang Das Ausgangssignal entspricht dem Aktivierungsniveau des Neurons Die Eingänge eines Neurons sind die Ausgänge anderer Neuronen Eingänge an erregenden Synapsen erhöhen das Aktivierungsniveau Eingänge an hemmenden Synapsen vermindern das Aktivierungsniveau Mehrere Eingänge, ein Ausgang Das Ausgangssignal entspricht dem Aktivierungsniveau des Neurons Die Eingänge eines Neurons sind die Ausgänge anderer Neuronen Eingänge an erregenden Synapsen erhöhen das Aktivierungsniveau Eingänge an hemmenden Synapsen vermindern das Aktivierungsniveau Axon : Erregende Synapsen : Hemmende Synapsen WARNUNG: Dieses Neuronenmodell ist eine starte Vereinfachung von Mutter Natur

3

4 Neuronale Netze - Mehrlagennetze - Neuronale Netze - Mehrlagennetze - © INFORM 1990-1998Seite 4

5 Lernverfahren neuronaler Netze: - Die Pavlowschen Hunde - Lernverfahren neuronaler Netze: - Die Pavlowschen Hunde - © INFORM 1990-1998Seite 5 Die Hebbsche Lernregel: Verstärke das Gewicht zu aktivem Neuron, wenn der Ausgang dieses Neurons aktiv sein sollte. Vermindere Gewicht des aktiven Eingangsneurons, wenn der Ausgang inaktiv sein sollte. Futter Speichelfluß KlingelFutter Klingel Speichelfluß Vor dem TrainingNach dem Training Klingel Futter Klingel Speichelfluß Das Training verstärkt das Gewicht dieserSynapse

6 Kombination Neuronal und Fuzzy Kombination Neuronal und Fuzzy © INFORM 1990-1998Seite 6 Neuronale Netze haben ihre Stärken Fuzzy Logic hat seine Stärken Neuronale Netze Wissensdarstellung Fuzzy Logic Lernfähigkeit Implizit, das Systemverhalten läßt sich nicht einfach inter- pretieren oder modifizieren (-) Selbstlernend anhand von Trainingsdaten (+++) Explizit, Verifikation und Optimierung ist direkt und einfach möglich (+++) Keine Lernfähigkeit, alle Zusammenhänge müssen explizit definiert werden (-) Kombiniere das beste beider Welten… Explizite Wissensdarstellung der Fuzzy Logic und Lernverfahren der neuronalen Netze Kombiniere das beste beider Welten… Explizite Wissensdarstellung der Fuzzy Logic und Lernverfahren der neuronalen Netze

7 Es gibt viele unterschiedliche Wege, ein Fuzzy-System zu trainieren NeuroFuzzy = Verwendung des Error Backpropagation Algorithmus Emulation des Fuzzy Logic System als spezielles Neuronales Netz Jede Komponente eines Fuzzy-Systems wird als Teil eines Neuronalen Netzes repräsentiert Anwendung des EPG auf dieses neuronale Netz : EPG benötigt stetige Differenzierbarkeit : Verwende Gradientenschätzer : Verwende Fuzzy Assoziativspeicher Es gibt viele unterschiedliche Wege, ein Fuzzy-System zu trainieren NeuroFuzzy = Verwendung des Error Backpropagation Algorithmus Emulation des Fuzzy Logic System als spezielles Neuronales Netz Jede Komponente eines Fuzzy-Systems wird als Teil eines Neuronalen Netzes repräsentiert Anwendung des EPG auf dieses neuronale Netz : EPG benötigt stetige Differenzierbarkeit : Verwende Gradientenschätzer : Verwende Fuzzy Assoziativspeicher Training von Fuzzy-Systemen Training von Fuzzy-Systemen © INFORM 1990-1998Seite 7

8 Zusammenwachsen der Technologien Zusammenwachsen der Technologien © INFORM 1990-1998Seite 8 Jahr: 1940 1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 Jahr: 1940 1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 Computer: Relais-/Röhrenbasiert Transistoren Small Scale Integration Large Scale Integration Künstliche Intelligenz Computer: Relais-/Röhrenbasiert Transistoren Small Scale Integration Large Scale Integration Künstliche Intelligenz Neuronale Netze: Neuronenmodel (McCulloch/Pitts) Lernregel (Hepp) Deltaregel (Wirow/Hoff) Mehrlagenperceptron, XOR Hopfieldmodel (Hopfield/Tank) Backpropagation (Rumelhart) Bidir. Assoc. Mem. (Kosko) Neuronale Netze: Neuronenmodel (McCulloch/Pitts) Lernregel (Hepp) Deltaregel (Wirow/Hoff) Mehrlagenperceptron, XOR Hopfieldmodel (Hopfield/Tank) Backpropagation (Rumelhart) Bidir. Assoc. Mem. (Kosko) Fuzzy Logic: Begründung (Zadeh) Fuzzy Control (Mamdani) Breite Anwendung in Japan Breite Anwendung in Europa Breite Anwendung in U.S.A. Fuzzy Logic: Begründung (Zadeh) Fuzzy Control (Mamdani) Breite Anwendung in Japan Breite Anwendung in Europa Breite Anwendung in U.S.A. Soft Computing, NeuroFuzzy


Herunterladen ppt "Einführung in NeuroFuzzy Technologien © INFORM 1990-1998Seite 1 Seminar und Workshop © Constantin von Altrock INFORM GmbH Pascalstrasse 23 D-52076 Aachen."

Ähnliche Präsentationen


Google-Anzeigen