nach oben

vorheriges Kapitel Künstliche Neuronen und Lernen

nächstes Kapitel Lernen mit dem Backpropagation-Algorithmus

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2021 | OriginalPaper | Buchkapitel

12. Flache Neuronale Netze für die Klassifizierung

Erstes Kapitel lesen

(Shallow Neural Networks for Clasifications)

Autor: Martin Werner

Verlag: Springer Fachmedien Wiesbaden

Erschienen in: Digitale Bildverarbeitung

» Jetzt Zugang zum Volltext erhalten

Zusammenfassung

Künstliche neuronale Netze ahmen die vernetzte Struktur der Nervenzellen im Gehirn und deren Arbeitsweise nach. Relativ einfache künstliche neuronale Strukturen, flache neuronale Netze genannt, erbringen erstaunliche Leistungen bei der Klassifizierung von Objekten. Damit das gelingt, wird das neuronale Netz anhand von bekannten Daten trainiert. MATLAB unterstützt die Mustererkennung und Klassifizierung mit den Funktionen patternnet, train und net. Mit ihnen werden flache neuronale Netze implementieren, die zur Merkmalserkennung in der Bildverarbeitung eingesetzt werden.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Jetzt einloggen Kostenlos registrieren

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 69.000 Bücher
über 500 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Umwelt
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 50.000 Bücher
über 380 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Umwelt
Maschinenbau + Werkstoffe

Testen Sie jetzt 30 Tage kostenlos.

Jetzt informieren

Rosenblatt zeigte 1958, dass das einfache Perzeptron die logischen Operationen AND, OR und NOT ausführen kann. In der Aussagelogik wird jedoch auch das XOR benötigt, um alle Verknüpfungen der Boolschen Logik zu erlernen.

Wegen des natürlichen Logarithmus in der Formel werden die KLD und die weiteren Größen hier in der Pseudoeinheit „nat“ gemessen.

Mit der Ungleichung von Kraft kann gezeigt werden, dass die Divergenz nicht negativ ist und der Wert 0 nur bei der Gleichheit der Verteilungen angenommen wird.

mit \(\mathop {\lim }\limits_{x \to 0} x \cdot \ln \left( x \right) = 0\)

Beale, M. H., Hagan, M. T., & Demuth, H. B. (2018). Neural network toolbox. Getting started guide. Natick, MA: The MathWorks.

Bronstein, I. N., Semendjajew, K. A., Musiol, G., & Mühlig, H. (1999). Taschenbuch der Mathematik (4. Aufl.). Frankfurt a. M.: Harri Deutsch. MATH

Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4. Aufl.). Harlow, Essex (UK): Pearson Education.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge, MA: MIT Press. MATH

Hedderich, J., & Sachs, L. (2016). Angewandte Statistik. Methodensammlung mit R (15. Aufl.). Berlin: Springer Spektrum. MATH

Kim, P. (2017). MATLAB deep learning. With machine learning, neural networks and artificial intelligence. Apress, https://doi.org/10.1007/978-1-4842-2845-6

Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79–86. MathSciNetCrossRef

Paluszek, M., & Thomas, S. (2020). Practical MATLAB deep learning. A project-based-approach. Berkeley, CA: Apress. https://doi.org/10.1007/978-1-4842-5124-9. CrossRef

Rey, G. D., & Wender, K. F. (2018). Neuronale Netze. Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung (3. Aufl.). Bern: Hogrefe.

Rosenblatt, F. (1958). The perception – A probabilistic model for information storage and organization in the brain. Pychological Review, 65(6), 386–408. CrossRef

Shannon, C. E. (1948). A mathematical theory of communication. The Bell system technical journal, 27(3), 379–423.

Titel

Flache Neuronale Netze für die Klassifizierung

Buch

Digitale Bildverarbeitung

Print ISBN: 978-3-658-22184-3

Electronic ISBN: 978-3-658-22185-0

https://doi.org/10.1007/978-3-658-22185-0

DOI

https://doi.org/10.1007/978-3-658-22185-0_12

Autor:

Martin Werner

Verlag

Springer Fachmedien Wiesbaden

Sequenznummer

Kapitelnummer

Kapitel 12