Information Technology Reference
In-Depth Information
sich verstärkendes Lernen einsetzen. Für einige Probleme lässt sich auch unüberwachtes
Lernen in selbstorganisierenden Karten verwenden. Generell lässt sich testieren, dass arti-
fizielle neuronale Netze immer dann verwendet werden können, wenn Trainingsdaten zur
Verfügung stehen. In solchen Fällen wird auch kein mathematisches Modell des zu lösen-
den Problems vorausgesetzt und es wird auch kein Vorwissen über die Lösung benötigt.
Andererseits lässt sich die Lösung durch das Neuronale Netz auch nicht interpretieren
und entzieht sich damit einer gewissen Transparenz. Insofern hat es durchaus seine Be-
rechtigung, wenn ein solches Netz als eine „black box“ beschrieben wird. Man kann seine
Struktur nicht einfach in Form von verständlichen Regeln ausdrücken. Damit lässt sich in
vielen Fällen auch nicht überprüfen, ob die Lösung überhaupt plausibel ist. Eine weitere
Eigenart eines neuronalen Netzes besteht im dem Umstand, dass beim Lernen immer mit
„Tabula rasa“, d. h. mit einem „leeren“ Netz begonnen wird. Es ist nicht möglich, rele-
vante Netzparameter anders als heuristisch zu bestimmen. Eine ungeeignete Wahl kann
den Lernerfolg erheblich hinauszögern oder sogar schlimmstenfalls verhindern. Selbst mit
geeigneten Parametern kann der Lernprozess zum einen sehr lange dauern, zum anderen
kann unabhängig dieser Lerndauer keine Erfolgsgarantie gegeben werden. Ein weiterer
Umstand neuronaler Netze besteht in deren Fehlertoleranz gegenüber Abweichungen in
den Eingaben und Änderungen ihrer Struktur, was beispielsweise bei einem Ausfall von
neuronalen Einheiten vorkommen kann. Wenn sich die Problemstruktur jedoch zu stark
von den ursprünglichen Trainingsdaten entfernt, ist es notwendig, das Netz erneut zu trai-
nieren. Diese Gefahr besteht auch dann, wenn die Lernaufgabe nicht alle denkbaren Sys-
temzustände angemessen berücksichtigt oder das Netz beispielsweise aufgrund zu vieler
innerer Einheiten übergeneralisiert erscheint. Erneut kann niemand eine Garantie dafür
geben, dass die Wiederaufnahme des Trainings mit neuen Daten zur einer schnellen An-
passung an das veränderte Problem führt. Gegebenenfalls muss der gesamte Lernvorgang
wiederholt werden.
Ein Fuzzy-System kann ebenso wie ein neuronales Netz eingesetzt werden, wenn für
das zu lösende Problem kein mathematisches Modell bekannt ist. Jedoch wird anstelle
von Beispieldaten Wissen über die Problemlösung in Form linguistischer Regeln benö-
tigt. Auch die Ein- und Ausgangsgrößen müssen linguistisch beschrieben werden. Dieses
Wissen steht in vielen Fällen zur Verfügung, so dass ein Prototyp des Fuzzy-Systems sehr
schnell und einfach implementiert werden kann. Die Interpretation der Regelbasis stellt
im Allgemeinen ebenfalls kein Problem dar. Die linguistischen Regeln repräsentieren eine
unscharfe, punktweise Definition einer ansonsten unbekannten Funktion und das Fuzzy-
System führt bei der Verarbeitung der Eingabewerte eine unscharfe Interpolation durch.
Ohne a-priori-Wissen über die Problemlösung in Form von Fuzzy-Regeln ist die Im-
plementierung eines Fuzzy-Systems nicht möglich. Ist das Wissen unvollständig, falsch
oder widersprüchlich, vermag das System seine Aufgabe nicht zu erfüllen. In diesem Fall
ist eine Nachbearbeitung der Regeln oder eine Nachjustierung der die linguistischen Werte
beschreibenden Zugehörigkeitsfunktionen unumgänglich. Für diese Phase der Implemen-
tierung existieren jedoch keine formalen Methoden, so dass hier ebenfalls nur heuristisch
vorgegangen werden kann. Werden dabei neben dem Hinzufügen, Entfernen oder Ändern
