Neurale Netze
著者
書誌事項
Neurale Netze
（Springers angewandte Informatik）
Springer, c1990
- : Wien
- : U.S
大学図書館所蔵 件 / 全2件
-
該当する所蔵館はありません
- すべての絞り込み条件を解除する
注記
Bibliography: p. [179]-182
内容説明・目次
内容説明
Die Erforschung des Gehirns und seiner kognitiven Fahigkeiten war schon immer ein Anliegen der Menschheit. Der neueste Versuch, ein breites Verstandnis der Vorgange im Gehirn zu erlangen, ist unter dem Titel Neurale Netze zusammengefasst. Um dem Leser den Einstieg zu erleichtern, wird das Thema schrittweise nahergebracht. Einfuhrende Kapitel betten zuerst den Themenkreis Neurale Netze in das Umfeld anderer Wissensgebiete ein, spezialisierte und detaillierte Kapitel vermitteln biologische Analogie, einfache Modelle, Lernstrategien bis zu Simulation in Soft- und Hardware. Das Buch vermittelt in einfacher Weise Grundwissen uber Neurale Netze aus der Sicht des Informatikers. Vom Leser wird kein Vorwissen auf dem behandelten Gebiet, jedoch ein Grundverstandnis informatischer Belange erwartet.
目次
1 Die Mystik Neuraler Netze.- 1.1 Wissenschaften und Modestroemungen.- 1.2 Ein "Neurales Netz".- 1.3 Neurale Rechner - Neural Computing.- 1.4 Erwartungen an Neurale Netze.- 1.5 Einsatz Neuraler Netze.- 1.6 Beispiele.- 1.7 Charakterisierung Neuraler Netze.- 1.8 Praktische Anwendungen fur Neurale Netze.- 1.8.1 Greifen nach einem Objekt, ohne das Gleichgewicht zu verlieren.- 1.8.2 Wahrnehmung von Mustern und deren Vervollstandigung.- 1.8.3 Inhaltsadressierter Speicherzugriff.- 2 Aus den Anfangen Neuraler Netze.- 2.1 Im Anfang war die Kybernetik.- 2.1.1 Fruhe Automaten - kunstliche "Wesen".- 2.1.2 Biologie - Neurone.- 2.1.3 Psychologie - Konditionierung.- 2.1.4 Mathematik - Berechenbarkeit.- 2.1.5 Weitere grundlegende Ideen.- 2.2 Seit McCulloch & Pitts, 1943.- 2.3 Fruhe Lernsysteme.- 2.3.1 Perceptrons.- 2.3.2 Adaline (Adaptive Linear Element).- 2.3.3 Lernmatrix.- 3 Neurophysiologische Grundlagen.- 3.1 Aufbau und Funktionsweise von Neuronen.- 3.1.1 Die Grundbausteine: Neurone, Synapsen - Kommunikation.- 3.1.2 Physiologie kleiner Neuronenverbande, Reflexe.- 3.2 Das visuelle System.- 3.2.1 Der Aufbau des Auges.- 3.2.2 Rezeptive Felder.- 3.2.3 Die Sehbahn.- 3.2.4 Die Signalverarbeitung.- 3.2.5 Grundlagen der Gestaltwahrnehmung.- 4 Kunstliche Neurone.- 4.1 Was von der Biologie bleibt.- 4.2 McCulloch&Pitts-Neurone.- 4.3 Aufbau Neuraler Netze.- 4.3.1 Units.- 4.3.2 Aktivierung einer Unit.- 4.3.3 Outputfunktion.- 4.3.4 Ausbreitungsregel.- 4.3.5 Aktivierungsfunktion.- 4.4 Unit-Typen.- 4.4.1 Einfache lineare Units.- 4.4.2 Lineare Schwellwert-Units.- 4.4.3 Brain State in a Box (BSB).- 4.4.4 Thermodynamische Units.- 4.4.5 Grossberg-Units.- 4.4.6 Interactive Activation Units (IAC).- 4.4.7 Feldmann & Ballard-Units.- 4.4.8 Sigma-Pi-Units.- 4.4.9 Sigmoide Units.- 4.4.10 UEbersichtstabelle uber Unit-Typen.- 4.5 Reprasentationsformen und Kodierungen.- 4.5.1 Lokale und verteilte Reprasentation.- 4.5.2 Kodierung.- 4.6 Hierarchie und Synchronitat.- 4.7 Lernen in Neuralen Netzen.- 5 Lernen in Neuralen Netzen.- 5.1 UEbersicht uber die wichtigsten Lernansatze.- 5.2 Hebb-Regel.- 5.3 Delta-Regel.- 5.4 Back Propagation.- 5.4.1 Das Prinzip.- 5.4.2 Die Aufteilung des Fehlers auf Hidden-Units.- 5.4.3 Beispiel zur Berechnung eines Fehlersignals.- 5.4.4 Die verwendete Output-Funktion.- 5.4.5 Anwendungsbeispiele der Back Propagation.- 5.4.6 Wahl der Lernrate k.- 5.4.7 Gewichtsinitialisierungen.- 5.4.8 Momentum-Term.- 5.4.9 Variationen zur Rechenzeitverkiirzung.- 5.5 Competitive Learning.- 5.5.1 Der Competitive Learning-Mechanismus.- 5.5.2 Eine geometrische Interpretation.- 5.5.3 Eigenschaften des Competitive Learning.- 5.6 Boltzmann-Maschinen.- 5.6.1 Prinzipielle Funktionsweise der Boltzmann-Maschine.- 5.6.2 Minimierung der Energie- oder Kostenfunktion.- 5.6.3 Stoerungen zur UEberwindung lokaler Minima.- 5.6.4 Lernalgorithmus der Boltzmann-Maschine.- 5.7 Lernen durch Verstarkung und Belohnung.- 5.7.1 Grundlegende Version des Verstarkungslernens.- 5.7.2 Lernen mit verzoegerter Verstarkung.- 5.7.3 Lernen durch Belohnung.- 5.8 Genetische Algorithmen.- 5.8.1 Grundlegende Version des genetischen Lernens.- 5.8.2 Genetisches Lernen und die Belohnungsregel.- 5.9 Topologie-erhaltende Abbildungen und Lernende Vektorquantifizierung (LVQ).- 5.9.1 Ordnungserhalt.- 5.9.2 Lokale Antworten aufgrund lateraler Interaktion.- 5.9.3 Topologie-erhaltende Abbildungen.- 5.9.4 Der Algorithmus in diskreten Zeitschritten.- 5.9.5 Beispiele einfacher Abbildungen.- 5.9.6 Anordnung der Gewichtsvektoren.- 5.9.7 LVQ - Lernende Vektor-Quantifizierung.- 6 Modelle.- 6.1 NETtalk (Sejnowski & Rosenberg, 1986).- 6.1.1 Aufbau von NETtalk.- 6.1.2 Reprasentation der Buchstaben und Phoneme.- 6.1.3 Lernalgorithmus.- 6.1.4 Ergebnisse.- 6.2 Hopfield-Netze.- 6.2.1 Grundmodell.- 6.2.2 Analoge Implementierung.- 6.2.3 Anwendungsgebiete fur Hopfield-Netze.- 6.3 Fukushimas Neocognitron.- 6.3.1 Biologische Inspiration.- 6.3.2 Struktur des Netzes.- 6.3.3 Lernen im Neocognitron: Selbstorganisation.- 6.3.4 Funktionsweise.- 6.4 Adaptive Resonance Theory (ART).- 6.4.1 Aufbau und Funktion des Grundsystems.- 6.4.2 ART1 mit Aufmerksamkeitssteuerung.- 6.4.3 Lernen in ART1.- 6.4.4 ART1 mit zusatzlicher Kontrolleinheit.- 6.4.5 Entdeckung von Neuem und Kategoriegroessen.- 6.5 Kohonens Spracherkennung.- 6.5.1 Bio-Analogie.- 6.5.2 Automatische Spracherkennung.- 6.5.3 Akustische Vorverarbeitung des Sprachsignals.- 6.5.4 Der Algorithmus zur Spracherkennung.- 6.5.5 Phonem-Abbildungen.- 6.5.6 Transiente Phoneme.- 6.5.7 Kompensation der Koartikulationseffekte.- 6.5.8 Implementierung des Systems.- 7 Simulationen.- 7.1 Hardware.- 7.2 Software.- 7.2.1 Herkoemmliche Programmiersprachen.- 7.2.2 Pakete (Interaktive Simulationssysteme).- 7.2.3 Spracherweiterungen und Sprachen.- 8 Nayantara.- Namen- und Sachverzeichnis.
「Nielsen BookData」 より