Dieses Buch verschafft einen Überblick über die wichtigsten Modelle aus dem Bereich der Neuronalen Netze und leitet zum Umgang mit ihnen an. Die auf diese Modelle hin konzipierten Übungen ermöglichen es dem Leser, zusammen mit der vorangestellten Theorie, Neuronale Netze für die eigenen Aufgabenstellungen einzusetzen.
Inhaltsverzeichnis
1. Aufbau eines künstlichen Neurons.- 1.1 Grundmodell eines Neurons.- 1.2 Grundbegriffe der KNN.- 1.3 Das Lernen als Gewichtsänderung.- 1.4 Optimierungs- und Suchverfahren.- 1.5 Realisierung eines künstlichen Neurons.- 1.6 Das Lernen als Mitkopplung.- 2. Einteilung von künstlichen Neuronalen Netzen.- 2.1 Netzfunktionen und Anwendungen.- 2.2 Statische Kennlinien von Neuronen.- 2.3 Lernmechanismen.- 2.4 Historischer Rückblick.- 2.5 Vor- und Nachteile von KNN.- 3. Grundtypen von künstlichen Neuronalen Netzen.- 3.1 Übersicht.- 3.2 Einzelschicht Perzeptron.- 3.3 Mehrschicht Perzeptron.- 3.4 Adaline / Madaline Netze.- 3.5 Cognitron und Neocognitron.- 3.6 Comparator-Netz.- 3.7 Backpropagation.- 3.8 Counterpropagation.- 3.9 Querpropagation.- 3.10 Hopfield-Netz.- 3.11 Hamming-Netz.- 3.12 Kohonen-Netz.- 3.13 Carpenter / Grossberg-Netz.- 3.14 Cooper s RCE-Netz.- 3.15 Kosko s BAM.- 3.16 IAC-Netz.- 4. Regelungstechnische Anwendungen von KNN.- 4.1 Einführung.- 4.2 Identifikation.- 4.3 Stabilitätsuntersuchung.- 4.4 Regelung und Steuerung mit KNN.- 4.5 Entwurf u. Realisierung eines Reglers mit KNN.- 5. Übungsaufgaben mit Lösunqen.- 5.1 Übungsaufgaben.- 5.2 Lösungen.- 6. Literaturverzeichnis.- Sachwortverzeichnis.