Advertisement

Neuronale Netze simulieren Gehirne

  • Klaus MainzerEmail author
Chapter
Part of the Technik im Fokus book series (TECHNIK)

Zusammenfassung

Gehirne sind Beispiele für komplexe Informationssysteme auf der Grundlage neuronaler Informationsverarbeitung [1]. Was sie gegenüber anderen Informationssystemen auszeichnet ist die Fähigkeit zu Kognition, Emotion und Bewusstsein. Unter dem Begriff der Kognition (lat. cognoscere für „erkennen“, „wahrnehmen“, „wissen“) werden Fähigkeiten wie z. B. Wahrnehmung, Lernen, Denken, Gedächtnis und Sprache zusammengefasst. Welche synaptischen Signalverarbeitungen liegen diesen Prozessen zugrunde? Welche neuronalen Teilsysteme sind beteiligt?

Literatur

  1. 1.
    Mainzer K (1997) Gehirn, Computer, Komplexität. Springer, BerlinCrossRefGoogle Scholar
  2. 2.
    Roth G (1994) Das Gehirn und seine Wirklichkeit. Kognitive Neuropsychologie und ihre philosophischen Konsequenzen. Suhrkamp, FrankfurtGoogle Scholar
  3. 3.
    Markowitsch HJ (1992) Neuropsychologie des Gedächtnisses. Verlag für Psychologie, GöttingenGoogle Scholar
  4. 4.
    Hebb DO (1949) The Organisation of Behavior. A Neurophysiological Theory. John Wiley & Sons Inc, New YorkGoogle Scholar
  5. 5.
    McCulloch WS, Pitts WH (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophysics 5:115–133CrossRefGoogle Scholar
  6. 6.
    Rosenblatt F (1958) The Perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review 65:386–408CrossRefGoogle Scholar
  7. 7.
    Minsky M, Papert S (1969) Perceptrons, Expanded Edition. An Introduction to Computational Geometry by Marvin Minsky and Seymour A. Papert. MIT Press, Cambridge (Mass.)Google Scholar
  8. 8.
    Möller K, Paaß G (1994) Künstliche neuronale Netze: eine Bestandsaufnahme. KI – Künstliche Intelligenz 4:37–61Google Scholar
  9. 9.
    Rummelhart DE, Hinton GE, Williams RJ (1986) Learning representation by back-propagating errors. Nature 323:533–536CrossRefGoogle Scholar
  10. 10.
    Hornik K, Stinchcombe M, White H (1989) Multilayer feedforward networks are universal approximators neural networks. Neural Networks 2:359–366CrossRefGoogle Scholar
  11. 11.
    Dean J (2014) Big Data, Data Mining, and Machine Learning. Value Creation for Business Leaders and Practitioneers. Wiley, HobokenCrossRefGoogle Scholar
  12. 12.
    Jones N (2014) The learning machines. Nature 502:146–148CrossRefGoogle Scholar
  13. 13.
    Hopfield JJ (1982) Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences 79:2554–2558CrossRefGoogle Scholar
  14. 14.
    Tank DW, Hopfield JJ (1991) Kollektives Rechnen mit neuronenähnlichne Schaltkreisen. Spektrum der Wissenschaft Sonderheft 11:65Google Scholar
  15. 15.
    Serra R, Zanarini G (1990) Complex Systems and Cognitive Processes. Springer, Berlin S 78CrossRefGoogle Scholar
  16. 16.
    Hinton GE, Anderson JA (1981) Parallel Models of Associative Memory. Psychology Press, Hillsdale N.J.Google Scholar
  17. 17.
    Ritter H, Martinetz T, Schulten K (1991) Neuronale Netze. Addison-Wesley Publishing Company, BonnGoogle Scholar
  18. 18.
    von der Malsburg C (1973) Self-organization of orientation. Sensitive cells in the striate cortex. Kybernetik 14:85–100CrossRefGoogle Scholar
  19. 19.
    Kohonen T (1991) Self-Organizing Maps. Springer, BerlinGoogle Scholar
  20. 20.
    Sutton R, Barto A (1998) Reinforcement-Learning: An Introduction. A Bradford Book, Cambridge (Mass.)Google Scholar
  21. 21.
    Russell S, Norvig P (2004) Künstliche Intelligenz: Ein moderner Ansatz. Pearson Studium, MünchenGoogle Scholar
  22. 22.
    Pearl J (1988) Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, 2. Aufl. Morgan Kaufmann, San FranciscoGoogle Scholar
  23. 23.
    Tversky A, Kahneman D (2000) Advances in prospect theory: cumulative representation of uncertainty. In: Kahneman D, Tversky A (Hrsg) Choices, Values and Frames. Cambridge University Press, Cambridge, S 44–66Google Scholar
  24. 24.
    Damasio AR (1995) Descartes’ Irrtum. Fühlen, Denken und das menschliche Gehirn. List, München, LeipzigGoogle Scholar
  25. 25.
    Picard RW (1997) Affective Computing. MIT Press, Cambridge (Mass.)Google Scholar
  26. 26.
    Onisawa T (2000) Soft computing technology in Kansei (emotional) information processing. In: Liu Z-Q, Miyamoto S (Hrsg) Soft Computing and Human-Centered Machines. Springer, BerlinGoogle Scholar
  27. 27.
    Velasquez JD (1997) Modeling emotions and other motivations in synthetic agents. Amer Assoc Art Int, 10–15Google Scholar
  28. 28.
    Flohr H (1991) Brain processes and phenomenal consciousness. A new and specific hypothesis. Theory and Psychology 1:245–262CrossRefGoogle Scholar
  29. 29.
    Mainzer K (2008) Organic computing and complex dynamical systems. Conceptual foundations and interdisciplinary perspectives. In: Würtz RP (Hrsg) Organic Computing. Springer, Berlin, S 105–122Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Technische Universität MünchenMünchenDeutschland

Personalised recommendations