Neuronale Netze sind in den letzten Jahren Gegenstand intensiver Forschungen gewesen. Dieses Buch verbindet die Darstellung neuester Ergebnisse aus dem Bereich der Lernverfahren mit anwendungsbezogenen Aspekten. Es werden methodische Prinzipien der Erstellung von Softwaresystemen, die auf konnektionistischen Verfahren basieren, herausgearbeitet. Fallbeispiele aus unterschiedlichen Anwendungsdomänen zeigen die vielfältigen Einsatzmöglichkeiten für Neuronale Netze.
Inhaltsverzeichnis
1 Einführung.- 1.1 Was ist ein neuronales Netz?.- 1.2 Eigenschaften neuronaler Netze.- 1.3 Zur Historie.- 1.4 Problemklassen.- 1.5 Das Forschungsgebiet neuronale Netze.- 1.6 Buchüberblick.- 1.7 Einige ausgewählte Lehrbücher.- 1.8 Fragen zu Kapitel 1.- 2 Mustererkennung.- 2.1 Einführung.- 2.2 Entscheidungsgrenzen.- 2.3 Klassifikationstechniken.- 2.4 Fragen zu Kapitel 2.- 3 Biologische Grundlagen.- 3.1 Die Nervenzelle.- 3.2 Erregung von Nerven.- 3.3 Synaptische Übertragung.- 3.4 Physiologie kleiner Nervenverbände.- 3.5 Zusammenfassung.- 3.6 Fragen zu Kapitel 3.- 4 Grundlagen neuronaler Netze.- 4.1 Die building blocks .- 4.2 Das Neuron.- 4.3 Der Netzwerkgraph.- 4.4 Die Lernregel.- 4.5 Datenräume.- 4.6 Zusammenfassung.- 4.7 Fragen zu Kapitel 4.- 5 Das Perzeptron.- 5.1 Einführung.- 5.2 Das Perzeptron-Lernverfahren.- 5.3 Lineare Separierbarkeit.- 5.4 Zusammenfassung.- 5.5 Fragen zu Kapitel 5.- 6 Überwachtes Lernen.- 6.1 Einführung.- 6.2 Backpropagation.- 6.3 Erweiterungen zu Backpropagation.- 6.4 Quickprop.- 6.5 Resilient Propagation.- 6.6 Verfahren zur Minimierung von Netzen.- 6.7 Zusammenfassung.- 6.8 Fragen zu Kapitel 6.- 7 Kohonen-Netze.- 7.1 Einleitung.- 7.2 Kohonens Modell.- 7.3 Betrachtungen zur Konvergenz.- 7.4 Zusammenfassung.- 7.5 Fragen zu Kapitel 7.- 8 ART-Netze.- 8.1 ART-1-Netze.- 8.2 Weitere ART-Netze.- 8.3 Zusammenfassung.- 8.4 Fragen zu Kapitel 8.- 9 Hopfield-Netze.- 9.1 Einführung.- 9.2 Das Hopfield-Modell.- 9.3 Lernen und Abrufen von Informationen.- 9.4 Ergänzendes zu Hopfield-Netzen.- 9.5 Zusammenfassung.- 9.6 Fragen zu Kapitel 9.- 10 Die Boltzmann-Maschine.- 10.1 Einführung.- 10.2 Die stochastische Erweiterung.- 10.3 Das Lernverfahren.- 10.4 Zusammenfassung.- 10.5 Fragen zu Kapitel 10.- 11 Cascade-Correlation-Netze.- 11.1 Einführung.-11.2 Das Verfahren.- 11.3 Zusammenfassung.- 11.4 Fragen zu Kapitel 11.- 12 Counterpropagation.- 12.1 Einführung.- 12.2 Aufbau eines Counterpropagation-Netzes.- 12.3 Die Kohonen-Schicht.- 12.4 Die Grossberg-Schicht.- 12.5 Zusammenfassung.- 12.6 Fragen zu Kapitel 12.- 13 Probabilistische Neuronale Netze.- 13.1 Einführung.- 13.2 Bayes sche Klassifikatoren.- 13.3 Die Architektur von PNN.- 13.4 Zusammenfassung.- 13.5 Fragen zu Kapitel 13.- 14 Radiale Basisfunktionsnetze.- 14.1 Einführung.- 14.2 Aufbau eines RBF-Netzes.- 14.3 Training von RBF-Netzen.- 14.4 Zusammenfassung.- 14.5 Fragen zu Kapitel 14.- 15 Neuronale Netze und Fuzzy-Logik.- 15.1 Einführung.- 15.2 Grundlagen der Fuzzy-Logik.- 15.3 Neuro-Fuzzy-Systeme.- 15.4 Zusammenfassung.- 15.5 Fragen zu Kapitel 15.- 16 Neuronale Netze und genetische Algorithmen.- 16.1 Grundlagen evolutionärer Prozesse.- 16.2 Genetische Algorithmen.- 16.3 Neuro-genetische Verfahren.- 16.4 Zusammenfassung.- 16.5 Fragen zur Kapitel 16.- 17 Entwicklung neuronaler Systeme.- 17.1 Ein Phasenmodell für neuronale Systeme.- 17.2 Datenmodellierung.- 17.3 Erstellen des Klassifikators.- 17.4 Performanz von Klassifikatoren.- 17.5 Testen des Klassifikators.- 17.6 Optimieren von Klassifikatoren.- 17.6 Zusammenfassung.- 17.7 Fragen zu Kapitel 17.- 18 Anwendungsbeispiele.- 18.1 Finanzwirtschaft.- 18.2 Computerunterstütze Fertigung.- 18.3 Qualitätssicherung.- 18.4 Produktionsplanung.- 19 Literaturverzeichnis.- 20 Index.
