Neuronale Netze: Grundlagen und AnwendungenSpringer-Verlag, 08.03.2013 - 249 Seiten Neuronale Netze sind in den letzten Jahren Gegenstand intensiver Forschungen gewesen. Dieses Buch verbindet die Darstellung neuester Ergebnisse aus dem Bereich der Lernverfahren mit anwendungsbezogenen Aspekten. Es werden methodische Prinzipien der Erstellung von Softwaresystemen, die auf konnektionistischen Verfahren basieren, herausgearbeitet. Fallbeispiele aus unterschiedlichen Anwendungsdomänen zeigen die vielfältigen Einsatzmöglichkeiten für Neuronale Netze. |
Inhalt
Abschnitt 1 | 14 |
Abschnitt 2 | 25 |
Abschnitt 3 | 49 |
Abschnitt 4 | 80 |
Abschnitt 5 | 83 |
Abschnitt 6 | 100 |
Abschnitt 7 | 126 |
Abschnitt 8 | 157 |
Abschnitt 9 | 164 |
Abschnitt 10 | 176 |
Abschnitt 11 | 178 |
Abschnitt 12 | 181 |
Andere Ausgaben - Alle anzeigen
Häufige Begriffe und Wortgruppen
Aktionspotential Aktivierung Aktivierungsfunktion Ansätze Anwendung Architektur Aufbau Aufgrund Ausgabe Ausgabefunktion Ausgabeneuron Ausgabeschicht Axon Backpropagation Beispiel berechnet Berechnung Bereich Beschreibung beschrieben binäre biologischen Boltzmann-Maschine Carpenter und Grossberg Counterpropagation Daten dE(t definiert Delta-Regel Dichtefunktion dwij einfache Einfluß Einführung Eingabe Eingabeneurone Eingabeschicht Eingabevektor Entscheidungsfläche entsprechende Erkennungsschicht Erstellung ersten Fall Fehlerfunktion Fehlerrate FF-Netze folgende Fragen zu Kapitel Funktion Funktionsweise Fuzzy Fuzzy-ART Fuzzy-Logik genetische Algorithmen Gewicht wij gewichtete Gewichtsänderung Gewichtsmatrix Gewichtsvektor Gewinnerneurons gilt groß Grundlagen Häufig Hebb'sche Lernregel heißt Hopfield Hopfield-Netzen Informationen insbesondere Klasse Klassifikatoren Kodierung Kohonen Kohonen-Schicht Komponenten Lernrate Lernregel Lernverfahren lineare Lineare Separierbarkeit Linguistische Variablen lokalen Matrix muß Muster Mustererkennung Musterraum Netztopologie Neuron Neuronale Netze neuronaler Systeme Optimierung Parameter Perzeptron Phasen Problem Quickprop RBF-Netze Regel Ruhepotential sogenannte Stelle stochastische Synapse Topologie topologischen Karte trainiert Training Trainingsmenge Überwachtes Lernen unscharfen Mengen unserem Vektor Verbindungen Verfahren vergleiche Abbildung verschiedene versteckten Schicht verwendet Wahrscheinlichkeit wichtigsten X₁ Zelle Zugehörigkeitsfunktionen zugeordnet Zusammenfassung zwei zweidimensionale