Information Technology Reference
In-Depth Information
4 Modellierung lernender Systeme
durch Neuronale Netze (NN)
4.1 Biologische Vorbilder
Ähnlich wie die evolutionären Algorithmen orientiert sich die Grundlogik der (künstlichen)
neuronalen Netze (NN) an biologischen Prozessen, nämlich an den basalen Operationen des
Gehirns. Die Funktionsweise des Gehirns ist bis zum heutigen Tage nicht vollständig aufge-
schlüsselt worden; das hängt bekanntlich damit zusammen, dass wir es mit einem äußerst kom-
plexen und hochgradig parallel arbeitenden Organ zu tun haben.
Für die Entwicklung der Neuronalen Netze (NN) sind zunächst die bahnbrechenden Arbeiten
von McCulloch und Pitts (1943) zu erwähnen, die sich die Funktionsweise des Gehirns wie
folgt vorstellten: Ein Neuron ist eine Art Addierer der ankommenden Impulse, die durch die
Dendriten aufgenommen werden. Die Aktivitäten werden mit einer bestimmten Gewichtung im
Soma summiert und, sofern die Summe einen bestimmten Schwellenwert überschreitet, wird
die Information durch das Axon weitergeleitet. Der Kontakt zu anderen Neuronen findet über
Synapsen statt. Diese können die kontaktierten Neuronen hemmen bzw. erregen. Ein weiterer
Schritt war die Erkenntnis, dass nicht Energie, sondern Information übertragen und verarbeitet
wird.
Somit verstanden McCulloch und Pitts die Art, wie die natürlichen Neuronen Informationen
verarbeiten, als logische Schaltelemente bzw. Verknüpfungen, mit denen sich insbesondere die
Grundoperationen der Aussagenlogik modellieren lassen.
Es war zu der Zeit auch nahe liegend, die Informationsverarbeitung im Gehirn mit den Prinzi-
pien der Aussagenlogik zu verbinden, da einerseits die Kombination einfacher Elemente zu
komplexeren Verknüpfungen als eine der Grundlagen des menschlichen Denkens unter ande-
rem schon durch den Philosophen und Mathematiker Gottlob Frege erkannt war, andererseits
Shannon und Weaver begannen, die mathematische Informationstheorie in den Grundzügen zu
entwickeln und schließlich der Behaviorismus zeigte, dass durch einfache Konditionierungen
(logisch ausgedrückt Verknüpfungen) komplexe Verhaltensweisen produziert werden können.
Insofern lag die Idee von Pitts und McCulloch sozusagen in der Luft, ohne dass damit jedoch
ihre bahnbrechende Leistung gemindert werden soll.
Auf der Basis dieser Überlegungen ist es nun möglich, einfache künstliche neuronale Netze zu
konstruieren, bei denen die Aktivitätsausbreitung innerhalb des Systems sehr gut analysiert
werden kann. Derartige Modelle ähneln Booleschen Netzen (BN), mit dem Unterschied, dass
die Adjazenzmatrix reell kodiert werden kann, damit eine unterschiedliche Gewichtung in der
Informationsübertragung berücksichtigt werden kann. Anders gesagt: Während bei Booleschen
Netzen die Adjazenzmatrix nur ausdrückt, ob überhaupt eine Verbindung vorliegt, kann man
durch reelle Codierungen zusätzlich festlegen, mit welcher positiven oder negativen Stärke
eine vorliegende Verbindung wirkt bzw. wirken soll. Zur Verdeutlichung erfolgt eine graphi-
sche Darstellung eines „natürlichen“ Neurons und eines abstrakten Neurons:
Search WWH ::
Custom Search