Zusammenfassung
Künstliche Neuronale Netzwerke (KNN) adaptieren gezielt die Struktur und das Verhalten ihrer biologischen Vorbilder. Sie können als Multiprozessorsysteme aufgefaßt werden, die hierarchisch strukturiert aus vernetzten Einzeleinheiten bestehen. Ihre Funktionalität ist nicht fest vorprogrammiert, sondern wird erst durch Verfahren wie „Versuch und Irrtum“ oder „Lernen am Beispiel“ erzeugt. Sie lernen anhand von Erfolgen oder Mißerfolgen. Wenn bei einer konventionellen Modellierungsaufgabe ein mathematisches Modell vorgegeben ist, das durch Variation der Parameter an das zu lösende Problem anzupassen ist, dann werden bei KNN lediglich Modelle für den Einzelprozessor, das künstliche Neuron, und die Vernetzungsstruktur vorgegeben. Die Adaption entsteht durch gewichtetes Einoder Ausblenden der einzelnen Neuronen in unterschiedlichen Schichten des KNN. Bei Vorgabe nichtlinearer Modelle für die einzelnen Prozessoreinheiten entsteht durch die Vernetzung ein hohes Potential für die Schaffung nichtlinearer Übertragungseigenschaften, welches die eigentliche Adaptivität ermöglicht.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1998 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Bothe, HH. (1998). Künstliche Neuronale Netzwerke. In: Neuro-Fuzzy-Methoden. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-58859-4_3
Download citation
DOI: https://doi.org/10.1007/978-3-642-58859-4_3
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-57966-3
Online ISBN: 978-3-642-58859-4
eBook Packages: Springer Book Archive