Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Neuronale Netze. Inhalt Einführung Das menschliche Gehirn Das Neuron Gehirn vs. Computer Eigenschaften Neuronaler Netze Modelle Neuronaler Netze.

Ähnliche Präsentationen


Präsentation zum Thema: "Neuronale Netze. Inhalt Einführung Das menschliche Gehirn Das Neuron Gehirn vs. Computer Eigenschaften Neuronaler Netze Modelle Neuronaler Netze."—  Präsentation transkript:

1 Neuronale Netze

2 Inhalt Einführung Das menschliche Gehirn Das Neuron Gehirn vs. Computer Eigenschaften Neuronaler Netze Modelle Neuronaler Netze

3 Das menschliche Gehirn Golgi und Ramon y Cayal Neocortex (Hirnrinde) 0,2m² groß 2-3mm dick Besteht aus einem Netz von Nervenzellen – den Neuronen – welche miteinander Signale austauschen

4 Das Neuron Dendritenbaum Zellkern (Soma) Axon Synapsen (Exitatorisch und Inhibitorisch) Neuronenklassen

5

6 Gehirn vs Computer GehirnRechner # Verarbeitungselementeca Neuronenca Transistoren Artmassiv parallelim allg. seriell Speicherungassoziativadressbezogen Schaltzeit eines Elementsca. 1 ms (10 -3 s)ca. 1 ns (10 -9 s) Schaltvorgänge /sca /sca /s #Schaltvorgänge theor.ca /sca /s #Schaltvorgänge tats.ca /sca /s

7 Eigenschaften Neuronaler Netze Vorteile Lernfähigkeit Parallelität Globales Wissen höhere Fehlertoleranz Assoziative Speicherung von Information Entrauschen von Daten Default-Werte aktive Repräsentation

8 Eigenschaften Neuronaler Netze Nachteile kaum programmierbares Wissen keine Introspektion möglich Logisches sequenzielles Schließen ist schwer Lernen dauert lange

9 Modelle Neuronaler Netze McCulloch und Pitts: Logisches Schwellwertelement Hebb: Lernen durch plastische Synapsenstärken Rosenblatt: Lernen durch Musterklassen Willshaw, Bunemann und Longuet-Higgins: Matrixmodelle assoziativer Speicher Hopfield: Autoassoziation durch Hopfield-Netze

10 McCulloch und Pitts logisches Schwellwertelement mit L Eingangsleitungen und einer Ausgangsleitung Überschreitet die Summe der Eingangswerte einen Schwellwert, so feuert das Neuron Durch Kombination lässt sich jede logische Funktion aufbauen Aber kein Lernen und keine Fehlertoleranz möglich

11 Hebb Eine durch eine Synapse bewirkte Verschaltung zwischen zwei Neuronen ist plastisch und ändert sich proportional zur korrelierten Aktivität vor und hinter der Synapse Wenn Zelle j eine Eingabe von Zelle i erhält und beide gleichzeitig stark aktiviert sind, dann erhöht sich das Gewicht w ij (die Stärke der Verbindung von i nach j)

12 Rosenblatt Perzepton Lernalgorythmus Perzepton besteht aus N Elementen denen über L Leitungen Eingabe- muster zugeführt werden Die Zuordnung der Muster zu Klassen wird trainiert, so dass sich auch neue Muster klassifizieren lassen Wenn eine Aufgabe eine Lösung besitzt, so findet der Lernalgorythmus eine Lösung nach endlich vielen Schritten

13 Willshaw et al. Matrixmodell assoziativen Speichers x (Eingabemuster) und y (Ausgabemuster) werden als binäre Vektoren dargestellt N McCulloch-Pitts-Neuronen berechnen aus L Eingabemustern x die Komponenten y r des Ausgabemusters y Die Informationsspeicherung geschieht in der Matrix der L x N Synapsenstärken w ir Dadurch wird die Information über das System verteilt, und Teile davon dürfen ausfallen, ohne das für die richtigen Muster das Erreichen der Schwelle gefährdet wird

14 Hopfield Eingabemuster ist gleich dem Ausgabemuster (Autoassoziation) Abruf des vollen Musters aus unvollständigen Eingabefragmenten Es lassen sich aber nur schlecht korrelierte Muster speichern Ähnlichkeit wird nur nach Anzahl der übereinstimmenden Pixel erkannt, also kein Erkennen bei z.B. Translation des Musters

15 Ende


Herunterladen ppt "Neuronale Netze. Inhalt Einführung Das menschliche Gehirn Das Neuron Gehirn vs. Computer Eigenschaften Neuronaler Netze Modelle Neuronaler Netze."

Ähnliche Präsentationen


Google-Anzeigen