Advertisement

Zusammenfassung

Hinter den Schlagworten Konnektionismus und Neuronale Netze verbergen sich eine Reihe verschiedenartiger Begriffsbildungen und methodischer Ansätze. Die Aktualität darf nicht darüber hinwegtäuschen, daß die behandelten Problematiken keineswegs neu sind. Sie haben vielmehr eine teilweise längere Tradition in ganz verschiedenartigen Bereichen wie Kybernetik, Biologie, Mathematik und Physik. Es sind in letzter Zeit jedoch eine ganze Reihe von Fortschritten gemacht worden, die einmal für sich Aufmerksamkeit erregt haben und zum anderen durch Querverbindungen zum Teil weit auseinanderliegende Gebiete in Beziehung zueinander gesetzt haben. Erst dadurch ist es sinnvoll geworden, vom Konnektionismus als einem Gebiet überhaupt zu sprechen. Dabei ist es häufig so, daß sich die Phänomene jeweils aus der Sicht verschiedener Disziplinen auf verschiedene Weisen deuten und erklären lassen. Diese Sichten sind aber meist nur partiell befriedigend und erst ihre Kombination bringt die wirkliche Erkenntnis. Je nach spezieller Interessenlage und wissenschaftlicher Herkunft wird man aber u.U. die Phänomene unter das Gebiet XY einordnen und (mit partiellem Recht) sagen, “Konnektionismus ist nichts anderes als XY”.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Ackley, D.H.; Hinton, G.E.; Sejnowski, T.J.: A Learning Algorithm for Boltzmann Machines. Cognitive Science 9 (1985), S.147–169.CrossRefGoogle Scholar
  2. Amari, S.I.: A Theory of Pattern Classifiers. IEEE Transactions on Electronic Computers, EC 16 (1967), S.299–307.CrossRefGoogle Scholar
  3. Arbib, M.A.: Brain, Machines and Mathematics, 2. Aufl., Mc Graw Hill.Google Scholar
  4. Craik, K.J.W.: The Nature of Explanation. Cambridge University Press 1943.Google Scholar
  5. Hebb, D.O.: The organization of behavior, John Wiley, 1949.Google Scholar
  6. Hopfield, J.: Neural networks and physical systems with emergent collective computational abilities. Proc. of the Nat. Acad. of Sciences 79 (1982), S.2554–2558.CrossRefGoogle Scholar
  7. Kohonen, T.: Self-Organization and Associative Memory. Springer-Verlag 1984.Google Scholar
  8. Kurkova, V.: Kolmogorov’s theorem and multilayer neural networks.Google Scholar
  9. Lippmann, R.P.: An Introduction to Computing with Neural Nets. IEEEASSP Magazine 3(1987), S. 4–22.CrossRefGoogle Scholar
  10. Li, X.: Potential Analysis for Massively Parallel Computing and its Application to Neural Networks, Doctoral Dissertation Kaiserslautern 1993.Google Scholar
  11. Lorentz, G.G.: The 13-th Problem of Hilbert. In: Mathematical Developments Arising from Hilbert Problems, Proceedings of Symposia in Pure Mathematics XXVIII (ed. F. Browder), AMS 1976.Google Scholar
  12. Mcculloch, W.S.; Pitts, W.A.: A logical calculus of ideas immanent in nervous activity. Bull. Math. Biophysics 5 (1943), S.115.CrossRefGoogle Scholar
  13. Mcculloch, W.S.: Embodiments of Mind. MIT — Press 1965.Google Scholar
  14. Minsky, M.: Neural-analog networks and the brain model problem. Ph.D.Thesis, Princeton 1954.Google Scholar
  15. Minsky, M., Papert, S.: Perceptron, MIT — Press 1970.Google Scholar
  16. Palm, G.: Neural Assemblies, Springer Verlag 1982.Google Scholar
  17. Richter, M.M.: Prinzipien der Künstlichen Intelligenz. Teubner Verlag 1989.Google Scholar
  18. Ritter, H.; Martinez, T.H.; Schulten, K.: Neuronale Netze. Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke. Addison-Wesley 1990.Google Scholar
  19. Rosenblueth, A.; Wiener, N.; Bigelow, J.: Behavior, Purpose and Teleology. Philosophy of Science 10 (1943), S. 18–24.CrossRefGoogle Scholar
  20. Rosenblatt, F.: The perceptron: A perceiving and recognizing automation (project PARA), Cornell Aeronautical Laboratory Report 85-460-1.Google Scholar
  21. Russel, S.: A practical device to simulate the working of nervous discharges. Journal of Animal Behaviour 3, S.15-?.Google Scholar
  22. Rumelhart, D.E.; MC Clelland, J.L.: Parallel Distributed Processing, Vol. 1, 2, 3; Bradford Books 1986, MIT-Press.Google Scholar
  23. Steinbuch, K.: Die Lernmatrix. Kybernetik 1, S.36-45.Google Scholar
  24. Strej, V.: State space theory of discrete linear control. Academia Verlag Prag 1981.Google Scholar
  25. Tesauro, G.; He, Yu; Ahmad, Subutai: Asymptotic Convergence of Backpropagation; Neural Computation 1 (1989), S. 382–391.CrossRefGoogle Scholar
  26. Touretzky, D.; Hinton, G.; Sejnowski, T. (EDS.): Connectionist Models Proc. Summer School CMU 1988; Morgan Kaufman Publ.Google Scholar
  27. Wassermann, Ph.D.: Neural Computing — Theory and Practice. Van Nostrand Reinhold 1989.Google Scholar
  28. Wiener, N.: Kybernetik: rororo 1968 (1948).Google Scholar
  29. Yeung, D.-Y.: Supervised Learning of Action Probabilities in Associative Reinforcement Learning. In: D. Touretzky, G. Hinton, T. Sejnowski (Eds.): Connectionist Models Proc. Summer School CMU 1988; Morgan Kaufman Publ.Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1994

Authors and Affiliations

  • M. M. Richter

There are no affiliations available

Personalised recommendations