Skip to main content
SpringerLink
Log in

Einführung in Künstliche Neuronale Netze

  • Chapter
Book cover Betriebswirtschaftliche Anwendungen des Soft Computing

Part of the book series: Computational Intelligence ((CI))

Zusammenfassung

Wir geben hier eine Einführung in die populärsten Modelle und Lemver-fahren Künstlicher Neuronaler Netze. Nach einer Motivation und Charakterisierung der Neuronalen Netze werden ihre Komponenten und verschiedene Klassen von Lernverfahren vorgestellt. Anschließend werden das Prinzip und Probleme des Lernverfahrens Backpropagation und seiner Varianten erläutert. Cascade Correlation wird als Beispiel eines Lernverfahrens mit selbstbestimmter Netzwerktopologie gezeigt. AnschUeßend werden die Lernende Vektorquantisienmg und die Selbstorganisierenden Karten vorgestellt. Radiale Basisfunktionen-Netze werden als populäre Klasse von Netzen mit nicht-sigmoiden Aktivierungsfunktionen behandelt. Anschließend werden kurz noch einige neuere Entwicklungen von Lernverfahren angesprochen und ein Ausblick über die künftige Entwicklung gegeben.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 54.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 69.95
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  • Anderson, J.A.; Rosenfeld, E. (1988): Neurocomputing: Foundations of Research. MIT Press

    Google Scholar 

  • Anderson, J.A. et al. (1990): Neurocomputing 2: Directions of Research. MIT Press

    Google Scholar 

  • Boser, B. et al. (1992): A Training Algorithm for Optimal Margin Classifiers. 5th Ann. Workshop on Comput. Learning Theory, ACM Press, Pittsburgh: 144–152

    Google Scholar 

  • Braun, H. (1997): Neuronale Netze — Optimierung durch Lernen und Evolution. Springer-Verlag

    MATH  Google Scholar 

  • Brause, R. (1995): Neuronale Netze. Teubner

    Google Scholar 

  • Chauvin, Y.; Rumelhart, D.E. (1995): Backpropagation: Theory, Architectures and Applications. Lawrence Erlbaum

    Google Scholar 

  • Elman, J.L. (1990): Finding Structure in Time. Cognitive Science Vol. 14: 179–211

    Article  Google Scholar 

  • Fahlman, S.E.; Lebiere, Ch. (1990): The Cascade-Correlation Learning Architecture. In: Touretzky, D.S. (Hrsg.): Adv. in Neural Inf. Proc. Syst. 2. Morgan Kaufmann Publishers, Inc.: 524–532

    Google Scholar 

  • Fahknan, S.E. (1989): An Empirical Study of Learning Speed in Back-Propagation Networks. In: Touretzky, D. et al. (Hrsg.): Proc. of the 1988 Connectionist Models Summer School. CMU, Morgan Kaufmann

    Google Scholar 

  • Fahhnan, S.E. (1991): The Recurrent Cascade-Correlation Architecture. In: Lippmarm, R.P. et al. (Hrsg.): Adv. in Neural Inf. Proc. Syst. 3. Morgan Kaufmann: 190–198

    Google Scholar 

  • Fritzke, B. (1992): Growing Cell Structures — A Self-Organizing Network in k Dimensions. In: Aleksander, L; Taylor, J. (Hrsg.): Artificial Neural Networks II. North Holland: 1051–1056

    Google Scholar 

  • Fritzke, B. (1993): Vector Quantization with a Growing and Splitting Elastic Net. ICANN 93, Int. Conf. on Artificial Neural Networks. Amsterdam: 580–585

    Google Scholar 

  • Glesner, M., Pöchmüller, W. (1994): Neurocomputers — An Overview of Neural Networks in VLSI. Chapman & Hall

    MATH  Google Scholar 

  • Göppert, J. (1997): Die topologisch interpolierende selbstorganisierende Karte in der Funktionsapproximation. Shaker-Verlag

    Google Scholar 

  • Hebb, D.O. (1949): The Organization of Behavior. Wiley, New York; Auszüge auch in [Anderson/Rosenfeld 1988]: 45–56

    Google Scholar 

  • Hertz, J. et al. (1991): Introduction to the Theory of Neural Networks. Addison-Wesley

    Google Scholar 

  • Hopfield, JJ. (1988): Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proc. of the National Academy of Sciences USA Vol. 79: 2554–2558; auch in [Anderson/Rosenfeld 1988]: 460–464

    Article  MathSciNet  Google Scholar 

  • Hopfield, J.J.; Tank, D.W. (1985). Neural Computation of Decisions in Optimization Problems. Biological Cybernetics 52:141–152

    MathSciNet  MATH  Google Scholar 

  • Jacobs, R.A. et al. (1991): Adaptive Mixtures of Local Experts. Neural Computation Vol. 3(1): 79–87

    Article  Google Scholar 

  • Jordan, M.I.; Jacobs, R.A. (1992): Hierarchies of Adaptive Experts. In: Moody, J. et al. (Hrsg.): Adv. in Neural Inf. Proc. Syst. 4 (NIPS-4), Morgan Kaufmann

    Google Scholar 

  • Jordan, M.L; Jacobs, R.A. (1994): Hierarchical Mixtures of Experts and the EM Algorithm. MIT AI-Memo AIM-1440, Sept. 1993: 29ff; auch in: Neural Computation Vol. 6(2)

    Google Scholar 

  • Kohonen, T. (1982): Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics 43: 59–69; auch in [Anderson/Rosenfeld 1988]: 511–522

    Article  MathSciNet  MATH  Google Scholar 

  • Kohonen, T. (1989): Self-Organization and Associative Memory. 3. Aufl., Springer Series in Information Sciences, Springer-Verlag

    Google Scholar 

  • Kohonen, T. (1990): The Self-Organizing Map. Proc. of the IEEE Vol. 78 (9): 1464–1480.

    Article  Google Scholar 

  • Kohonen, T. (1995): Self-Organizing Maps. Springer-Verlag

    Book  Google Scholar 

  • McClelland, J.L.; Rumelhart, D.E. (1987): Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 2: Psychological and Biological Models. MIT Press

    Google Scholar 

  • Moller, M. (1993): A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks Vol. 6 (4): 525–533

    Article  Google Scholar 

  • Osuna, E. et al. (1997): An Improved Training Algorithm for Support Vector Machines. MIT

    Google Scholar 

  • Poggio, T.; Girosi, F. (1989): A Theory of Networks for Approximation and Learning. MIT, A.I. Memo No. 1140

    Google Scholar 

  • Riedmiller, M.; Braun, H. (1992): Rprop — A Fast Adaptive Learning Algorithm. University of Karlsruhe, Technical report

    Google Scholar 

  • Riedmiller, M; Braun, H. (1993): A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. ICNN-93, IEEE Int. Conf. on Neural Networks, San Francisco, CA: 586–591

    Google Scholar 

  • Ritter, H. et al. (1990): Neuronale Netze: Eine Einführung in die Neuroin- formatik selbstorganisierender Netzwerke. Addison-Wesley

    Google Scholar 

  • Rojas, R. (1993): Theorie der neuronalen Netze. Springer

    Book  Google Scholar 

  • Rumelhart, D.E.; McClelland, J.L. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1: Foundations. The MIT Press

    Google Scholar 

  • Shepherd, A.J. (1997): Second Order Methods for Neural Networks — Fast and Reliable Traiiüng Methods for Multi-Layer Perceptrons. Springer

    Google Scholar 

  • Specht, D.F. (1990). Probabilistic neural networks. Neural Networks 3: 109–118

    Article  Google Scholar 

  • Vapnik, V. (1995): The Nature of Statistical Learning Theory. Springer- Verlag, New York

    MATH  Google Scholar 

  • Werbos, P.J. (1974): Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph.D thesis. Harvard University, Cambridge, MA; auch in [Werbos 1994]

    Google Scholar 

  • Werbos, P.J. (1994): The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting. Wiley

    Google Scholar 

  • Widrow, B.; Hoff, M.E. (1960): Adaptive Switching Circuits. 1960 IRE WESCON Convention Record, New York, IRE: 96–104; auch in [Anderson/Rosenfeld 1988]: 126–134.

    Google Scholar 

  • Zell, A. (1994): Simulation Neuronaler Netze. Addison-Wesley, Nachdruck im Oldenbourg-Verlag, 1997

    MATH  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. WSI Computer Architecture, Universität Tübingen, Koestlinstraße 6, D-72074, Tübingen, Deutschland

    Prof. Dr. Andreas Zell

Authors
  1. Prof. Dr. Andreas Zell
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Jörg Biethahn Albrecht Hönerloh Jochen Kuhl Marie-Claire Leisewitz Volker Nissen Martin Tietze

Rights and permissions

Reprints and permissions

Copyright information

© 1998 Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden

About this chapter

Cite this chapter

Zell, A. (1998). Einführung in Künstliche Neuronale Netze. In: Biethahn, J., Hönerloh, A., Kuhl, J., Leisewitz, MC., Nissen, V., Tietze, M. (eds) Betriebswirtschaftliche Anwendungen des Soft Computing. Computational Intelligence. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-86843-5_1

Download citation

  • DOI: https://doi.org/10.1007/978-3-322-86843-5_1

  • Publisher Name: Vieweg+Teubner Verlag

  • Print ISBN: 978-3-528-05596-7

  • Online ISBN: 978-3-322-86843-5

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation