Neuronale Netze

Die Beschäftigung mit den aus kleinen, einfachen Modellneuronen gebildeten Netzen zeigt auf faszinierende Weise, wie sich aus den geringen Fähigkeiten der einzelnen Neuronen durch Zusammenschalten neue Architekturen mit mächtigen Eigenschaften zur Lösung von schwierigen, komplexen Aufgaben ergeben. Dabei sind diese Netze nicht so sehr Modelle für "echte", sondern verwirklichen ein breites Spektrum an statistischen und approximativen Methoden für die "künstliche Intelligenz" mit dem Ansatz einer massiv parallellokalen, funktionsverteilten Rechnerarchitektur, die sich effizient in VLSI-Chips implementieren lößt. Das Buch gibt eine systematische Einführung in die Grundlagen der Neuroinformatik, beschreibt in einheitlicher Notation die wichtigsten neuronalen Modelle und gibt beispielhaft Anwendungen dazu. Auch die praktischen Fragen der Simulation dieser Modelle finden Beachtung. Das Buch ist im Rahmen des http://medoc.informatik.tu-muenchen.de/deutsch/medoc.html>MeDoc-Projektes in die elektronische Informatik-Bibliothek aufgenommen worden.

1 Grundlagen.- 1.1 Biologische Grundlagen.- 1.2 Modellierung der Informationsverarbeitung.- 1.3 Information und Schichtenstruktur.- 1.4 Stochastisches Lernen.- 1.5 Hebb'sches Lernen und Merkmalssuche.- 2 Einschichtige feedforward Netze.- 2.1 Adaptive lineare Transformationen.- 2.2 Adaptive lineare Klassifikation.- 2.3 Korrelative Assoziativspeicher.- 2.4 Klassifikation, adaptive Vektorquantisierung und selbst-organiserende Merkmalsgewinnung.- 3 Rückgekoppelte Netze.- 3.1 Assoziative Speicher.- 3.2 Wahrscheinlichkeits-Maschinen.- 3.3 Nicht-lineare Dynamik, Attraktoren und Chaos.- 4 Mehrschichtige Netze.- 4.1 Zweischichtige Approximationsnetze.- 4.2 Back-Propagation Netzwerke.- 4.3 Quantisierte lineare Schichten.- 4.4 Interpolierte Vektorquantisierungsnetze.- 4.5 Approximation mit Wellenpaketen.- 4.6 Approximation mit Radialen Basisfunktionen (RBF).- 4.7 Approximation mit Regularisierungsnetzwerken.- 4.8 Rückgekoppelte, mehrschichtige Assoziativspeicher.- 4.9 Klassifikation mit Multi-Layer Perceptrons.- 4.10 Aufmerksamkeits-gesteuerte Klassifikation.- 4.11 Invariante Mustererkennung.- 4.12 Optimale Informationsverteilung in Mehrschichtennetzen.- 5 Zeitsequenzen.- 5.1 Zeitreihenanalyse.- 5.2 Feed-forward Assoziativspeicher.- 5.3 Rückgekoppelte Assoziativspeicher.- 6 Symbolische Logik, Fuzzy Systeme und Neuronale Netze.- 6.1 Symbolik und Subsymbolik.- 6.2 Fuzzy Variable und Regeln.- 6.3 Adaptive Fuzzy Systeme.- 6.4 Fuzzy Kontrolle.- 6.5 Adaptive Fuzzy Assoziativspeicher.- 7 Evolutionäre und genetische Algorithmen.- 7.1 Die Mutations-Selektions-Strategie.- 7.2 Genetische Algorithmen.- 7.3 Genetische Operationen mit neuronalen Netzen.- 8 Simulationssysteme Neuronaler Netze.- 8.1 Parallele Simulation.- 8.2 Sprachsysteme und Simulationsumgebungen.- 8.3Simulationstechniken.- Referenzen.- Public-Domain Programme, Simulatoren und Reports.- Bücher.- Zeitschriften.- Konferenzen.- Vereinigungen.- Literatur.- Stichworte.