Information Technology Reference
In-Depth Information
Abschließend sei noch kurz darauf verwiesen, dass NN naturgemäß insbesondere überall dort
eingesetzt werden, wo es um Lernen in irgendeiner Form geht. Das betrifft z. B. den Bereich
der Robotik, wo es um die Entwicklung von Maschinen geht, die ihre Aufgaben durch „indivi-
duelles“ Lernen zu erledigen haben und vorgegebene Lösungen optimieren sollen. Eine schwe-
dische Elektrofirma brachte 2003 einen mit NN versehenen Staubsauger auf den Markt, der die
Wohnung seines Besitzers selbst durch Lernen erfasst und anschließend selbstständig die
Wohnung reinigen kann. Ähnlichen Prinzipien folgen Roboter, die in verseuchten Umgebun-
gen gefährliche Aufgaben erledigen und dies dort selbst lernen, wo ihnen keine direkten Ver-
haltensregeln gegeben werden können.
Der zweite wichtige Bereich ist der der Mustererkennung und -assoziation; hier werden z. B.
bei Sprachübersetzungsprogrammen und automatischer Bildauswertung NN an Beispielen trai-
niert, um anschließend ähnliche Muster korrekt klassifizieren und wieder erkennen zu können.
Schließlich - aber die Anwendungsliste ist verlängerbar - können insbesondere nicht über-
wacht lernende Netze wie die SOM eingesetzt werden, um einerseits Optimierungs- bzw. App-
roximationsprobleme wie das z. B. das berühmte Problem des Handlungsreisenden (TSP) sehr
effektiv zu bearbeiten und andererseits aus vorgegebenen Datenmengen Regeln abzuleiten, um
ggf. Prognosen über das Verhalten bestimmter Systeme zu ermöglichen. So wurden NN für die
Prognose von Aktienkursen verwendet, obwohl hier der Erfolg eher zweifelhaft ist. Optimie-
rungsprobleme jedoch sind durch NN dieses Typs sehr gut zu bearbeiten, was z. B. sowohl für
Logistikfirmen als auch für die Steuerung von Produktionsprozessen von entscheidender Be-
deutung ist.
4.5 Analyse konkreter Modelle
4.5.1 Lernen digitaler Anzeigen
8
Digital operierende Messinstrumente wie z. B. Uhren, Waagen, Thermometer oder Barometer
arbeiten gewöhnlich mit einer so genannten Segment-LED bzw. mit mehreren; LED heißt
„Light Emitting Diode“, also etwa „Licht emittierende Diode“. Konkret bedeutet das, dass die
gemessenen numerischen Werte wie etwa die Uhrzeit durch eine LED repräsentiert werden,
deren Angaben dann dem Benutzer dargestellt werden. Wenn man etwa, wie in diesem
Beispiel, die Ziffern von 0 bis 9 durch eine LED repräsentieren will, kann man dies durch eine
7-Segment-LED bewerkstelligen. Dabei kann das Problem auftreten, dass die Muster, die
durch den Zustand einer LED realisiert werden, „verrauscht“ sein können, d. h., sie werden nur
unvollständig an den Übertragungsalgorithmus weitergegeben oder sind nur unvollständig in
der LED generiert worden. Durch die zusätzliche Einführung eines neuronalen Netzes ist es
dann möglich, eine korrekte Weitergabe zu gewährleisten, wenn das Netz nach
entsprechendem Training in der Lage ist, fehlerhafte Muster trotzdem korrekt weiter zu leiten.
Das Programm soll lernen, die Anzeige einer 7-Segment-LED in Binärzahlen umzuwandeln.
Die LED-Anzeige dient dabei der Darstellung der Zahlen von 0 bis 9. Dazu wird ein feed for-
ward Netz verwendet, das bei einem überwachten Lernverfahren den Backpropagation-Algo-
rithmus nutzt. Offenbar handelt es sich hier um die Aufgabe, unterschiedliche Muster einander
zuzuordnen, also um ein heteroassoziativ operierendes Netz. Wir wiesen im vorigen Subkapitel
bereits darauf hin, dass heteroassoziative Aufgaben durch unterschiedliche Netzwerktypen
bearbeitet werden können.
8
Das Programm wurde entwickelt und implementiert durch Markus Gebhardt.
Search WWH ::
Custom Search