Grundlagen - Cognitive Computing - page 101

dynamischen System, ohne die generelle Rahmensetzung (Architektur) des Systems über-
schreiten zu können.
Hier sind eine ganze Reihe von Entscheidungen zu treffen, die jeweils einen starken
Einfluss auf die Leistungsfähigkeit des resultierenden Netzes haben können. Die normale
Methode besteht zu einem großen Teil darin, in einer Reihe von „Trial and Error“ Schrit-
ten zu immer besseren Ergebnissen zu gelangen. Diese Vorgehensweise wird durch heu-
ristische, aus der Erfahrung gewonnene Regeln unterstützt, eine verlässliche theoretische
Basis ist jedoch nicht vorhanden. Anstelle einer konkreten Handlungsempfehlung lässt
sich jedoch in der folgenden Klassifizierung aufzeigen, dass sich der Einsatz bestimmter
Modelle auf bestimmte Problem- und Anwendungsgebiete in der Praxis bewährt haben
(Tab. 2.6 ).
Aus der Vielzahl dieser existenter Netzmodelle sollen an dieser Stelle exemplarisch das
Backpropagation-Netz, das Hopfield-Netz und das Kohonen-Netz beschrieben werden.
Das Backpropagation-Netz ist das am häufigsten eingesetzte Netzmodell. Es handelt
sich dabei um ein mehrschichtiges Netz mit mindestens einer verborgenen Schicht und
einer Feed-forward-Informationsausrichtung, bei der alle Neuronen einer Schicht voll-
ständig mit den Neuronen der nächsten Schicht verbunden sind. Die Informationsver-
arbeitung in den Input-Neuronen erfolgt über die Summenfunktion (Eingangsfunktion)
und eine lineare, unbegrenzte Aktivierungsfunktion. Die Ausgangsfunktion ist als Identi-
tätsfunktion gestaltet, d. h., sie nimmt auf die Signale keinen weiteren Einfluss mehr. Ähn-
lich ist das Neuronen-Modell der Hidden-Schicht(en) und der Ausgabeschicht aufgebaut,
d. h., bei diesen beiden Schichten dient die Summenfunktion wiederum als Eingangs-

Tab. 2.6 Übersicht über die Modelle neuronaler Netze
Klassifizierungsmerk mal Geeignete Modelle

Anwendungsgebiet Musterassoziation Heteroassoziative Speicher

Mustererkennung Hopfield

Optimierung Hopfield, Selbstorganisierende Kar-

ten, Kohonen Karte

Ordnung implizit vorgegebener
Daten

SOM

Prognose Boltzmann-Maschine

Lernverhalten Überwachtes Lernen Assoziative Netze

Nicht-Überwachtes Lernen SOM

Verstärkendes Lernen

Richtung des
Informationsflusse s

Feed-forward Netze Assoziative Speicher, SOM

Feed-back Netze Hopfield, BAM, Interaktive Netze

Bedingtheit der
Entscheidungen

Deterministisch Hopfield, Selbstorganisierende Kar-

ten, Kohonen Karte, SOM, Assozia-
tive Netze,

Stochastisch Boltzmann-Maschine