2. Biologische Neuronen Schematischer Aufbau einer Nervenzelle

Slides:



Advertisements
Ähnliche Präsentationen
Selbstorganisation und Lernen
Advertisements

Seminarankündigung für das SS04
Reizleitung in Nervenzellen
Adaptive Systeme Prof. Rüdiger Brause WS 2011.
Ein Neuronales Netz könnte lernen indem es …
4. Konzepte des Konnektionismus – Theorie Künstlich Neuronaler Netze
Einführung in NeuroFuzzy Technologien
Die vorgeschlagene adaptive Methode filtriert die TCP/IP Verkehr auf der Basis von dem adaptiven Lernen einer KNN mit Paketen-Headers, die verschiedenen.
Nerven im menschlichen Körper
Neuronen, Modelle, Anwendungen Florian Kaiser
Grundlagen der Neurobiologie
Marvin Minsky und das Perceptron
Neuronale Netze Von Kay-Patrick Wittbold.
Adaptive Systeme Prof. Rüdiger Brause WS 2009.
Neuronale Netze Inhalt des Vortrags:
Neurobiologische Grundlagen der visuellen Wahrnehmung
Entscheidungsunterstützungssysteme IWI Frankfurt 2003
in den Sportwissenschaften
= 4x x nach links, Zahl nach rechts! -2x 4x -2x + 52x – 2x x -2x = 2x – 2x x Zahl 2x= = 2x -15 x = - 10 = 4x + 52x -15 Beispiel.
Institut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik, Universität Rostock Programmierung eingebetteter.
Uebung 03 Netzdateien.
Biologisches Vorbild Grundlagen
Uebung 02 NN Properties b1b1 b2b2 b3b3 b4b4 b INPUTINPUT OUTPUTOUTPUT w 1o w 2o w 3o w 4o w 11 w 12 w 13 w 14 w 21 w 22 w 23 w 24.
zur Vorlesung Neuronale Netzwerke
PowerPoint-Folien zur 6. Vorlesung „Bionik II / Biosensorik“
PowerPoint-Folien zur 8. Vorlesung „Bionik II / Biosensorik“
Wie eine Nervenzelle funktioniert
PowerPoint-Folien zur 6. Vorlesung „Bionik II / Biosensorik“
Wie eine Nervenzelle funktioniert
Ingo Rechenberg PowerPoint-Folien zur 8. Vorlesung Biosensorik / Bionik II Organisches Rechnen (Organic Computing) Struktur und Arbeitsweise neuronaler.
Neuronale Netze Romy Kuttner, Franco Haberland.
OptiVaNeS Boubker Zaaimi, Reinhard Grebe, Fabrice Wallois, Aleksander Lodwich, Jörg Krone, Ulrich Lehmann Optimierung der Vagusnervstimulationsparameter.
Künstlich Neuronale Netze
Kennlinie Lichtregelung in JavaNNS Version 1.1
Computational Intelligence: Grundlagen Neuronaler Netze (NN)
2 5 SS 2006V_4_Fuzzy_Control_Teil2 1 Was ist CI (Computational Intelligence) Jörg Krone, Ulrich Lehmann, Hans Brenig, Oliver Drölle, Udo Reitz, Michael.
Künstlich Neuronale Netze
11. Neuro-Fuzzy-Regler und -Klassifikation
Neuronale Netzwerke am Beispiel eines MLP
Neuronale Netze (Mitchell Kap. 4)
Elektrophysiologie der Nervenleitung
Lernen im Netzwerk Eine Präsentation von Menno Baumann.
Die Dendriten: Sie nehmen von den Synapsen vorhergeschalteter Nerven- oder Sinneszellen Reize auf und leiten die Information durch elektrische Impulse.
Hören – The Art of Auditory Streaming
Neurowissenschaften -
Why connectionism? Backpropagation Netzwerke
Nervenzellen, Reizleitung
Adaptive Systeme Prof. Rüdiger Brause WS 2013.
Adaptive Systeme-2 Grundlagen
Neuronale Netze.
Muskelkontraktion.
Muskelkontraktion.
Neuronale Netze (1) Isabel Schwende
Bio- und Nanostrukturen, Biosensoren
Biologische Psychologie II
Biologische Psychologie I
Vorlage für PPT-Präsentationen {Hier den Titel einsetzen}
Neuronale Netze - Anwendungen in Chemie und Verfahrenstechnik
Vom Neuron bis zur Boltzmann Maschine Miguel Domingo & Marco Block Seminar : Maschinelles Lernen und Markov KettenSommersemester 2002.
Evolutionärer Entwurf neuronaler Netze
Bewege den Mauszeiger über die Zahlen der Abbildung um Erläuterungen zu den Teilen des Neurons zu erhalten.
Informationsübertragung im Menschen
Univ.-Prof. Dr.-Ing. H. Nacken Vorlesung Wasserwirtschaftliche Modellierung Themen: Vorlesung 8 Neuronale Netze (ANN) Trainingsformen von Neuronalen Netzen.
Organisation Referate Materialien Dritter Termin Workshop 27.Oktober 2010 Projektseminar WS 09/10 Konnektionistische Sprachverarbeitung 1.
N EUROBIOLOGIE R EAKTION AUF U MWELT m-LaufanalyseWM 2009 Berlin.
Konnektionismus: Pattern Association Simulationsumgebung tlearn Projektseminar Konnektionistische Sprachverarbeitung WS 2009/2010.
Einführung Grundlagen Zwischenfazit Deep Learning Probleme Fazit
Neurobiologie Dieser multiple choice Test hilft Ihnen, Ihr Faktenwissen zu prüfen. Analytische Anwendungsaufgaben können damit nicht trainiert werden.
Deep Learning Simon Fankhauser, Donato Villani - AAI HS 17.
Ulrich Lehmann, Johannes Brenig, Michael Schneider
 Präsentation transkript:

2. Biologische Neuronen Schematischer Aufbau einer Nervenzelle Jörg Krone, Ulrich Lehmann, Johannes Brenig, Oliver Drölle Schematischer Aufbau einer Nervenzelle 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Inhalt Schematischer Aufbau einer Nervenzelle Schematischer Aufbau eines KNN Fortpflanzung des Nervensignals Ähnlichkeiten mit dem biologischen Vorbild Unterschiede zum biologischen Vorbild 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

Schematischer Aufbau einer Nervenzelle mit erregender Synapse 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

Schematischer Aufbau einer Nervenzelle mit zwei erregenden Synapsen 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Schematischer Aufbau einer Nervenzelle mit erregenden und hemmender Synapse 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Schematischer Aufbau einer Nervenzelle mit Modell eines KNN (Künstlich Neuronales Netz) 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Schematischer Aufbau eines Neurons eines KNN (Künstlich Neuronales Netz) Neuron 1 2 3 o1 o3 Negatives Gewicht w34 entspricht hemmender Synapse sonst wij positiv für erregende Synapsen w14 w34 Neuron 4 o4 w45 5 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Fortpflanzung des Nervensignals entlang eines Axons (Signalpegel des Outputs) Das Neuron feuert mit 30 mV 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

Fortpflanzung des Nervensignals entlang eines Axons (Timing) Der Informationsgehalt des Ausgangssignals des Neurons wird durch die Frequenz der Impulsfolge gegeben 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

Modelle mit KNN haben Ähnlichkeiten mit dem biologischen Vorbild massive Parallelität einer großen Zahl von Verarbeitungseinheiten einfache Elemente (Neuronen) im neuronalen Netz gerichtete Verbindungen zwischen Neuronen über Synapsen, d.h. im Modell Verbindungen (connections, links) mit Gewichten w (weights, strength) Zellen (Neuronen) kommunizieren den Grad ihrer Aktivierung o über die Verbindungen Verbindungsgewichte w sind durch Lernen bleibend modifizierbar hohe Konnektivität der Neuronen, d.h. ein Neuron ist mit vielen anderen Neuronen verbunden ... 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

Unterschiede zwischen KNN und dem NN Gehirn viel geringere Zahl von Neuronen (KNN 102 bis 104 / Gehirn 1011) viel geringere Zahl von Verbindungen (KNN 102 bis 103 Synapsen pro Neuron / Gehirn 104) meistens nur ein Parameter (Gewicht w) für die Stärke der synaptischen Kopplung Amplitudenmodulation statt Frequenzmodulation keine Modellierung der synaptischen Struktur der Dendriten keine genauere Modellierung der zeitlichen Vorgänge der Nervenleitung bisher wurden nur homogene KNN erfolgreich theoretisch untersucht keine Berücksichtigung chemischer Einwirkungen räumlich benachbarter Neuronen ... 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)

2. Biologische Neuronen - Künstlich Neuronale Netze (KNN) Fragen? Fragen Sie bitte! 2. Biologische Neuronen - Künstlich Neuronale Netze (KNN)