Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Digitale Bilder Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

11. Künstliche Neuronen und Lernen

Artificial Neurons and Learning

verfasst von : Martin Werner

Erschienen in: Digitale Bildverarbeitung

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Künstliche neuronale Netze ahmen die vernetzte Struktur der Nervenzellen im Gehirn und deren Arbeitsweise nach. Das Perzeptron steht für eine relativ einfache künstliche neuronale Struktur, die bereits erstaunliche Leistungen bei der Klassifizierung von Objekten aufgrund weniger Merkmale erbringen kann. Damit das gelingt, werden künstliche Neuronen anhand von bekannten Daten trainiert, z. B. mit einem beschleunigten LMSE-Algorithmus. Der Lernfortschritt wird mit der Lernkurve überwacht und die Entscheidungsfindung im Merkmalsraum sichtbar.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

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

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Filtern und Entzerren mit der 2-D-DFT
Nächstes Kapitel Flache Neuronale Netze für die Klassifizierung
Anhänge
Nur mit Berechtigung zugänglich
Fußnoten
1
Damit verbunden mag die Hoffnung sein, dass AI zukünftig in der Lage ist, die Softwarekrise zu beenden: IT-Systeme programmieren sich selbst und auch noch fehlerfrei.
 
2
Im Klassifizierungsalgorithmus findet keine pixelweise Verarbeitung der Bilder statt. Stattdessen werden beispielsweise geometrische Merkmale von Objekten, wie Längen, Breiten, Umfang, Signaturen, Flächen, höhere statistische Momente u. v. a. m. benutzt (Gonzalez und Woods 2018).
 
3
Genau genommen geht man einen Schritt zurück, was das vorausgesetzte Wissen angeht.
 
4
Mit fortschreitender Entwicklung der technischen AI-Systeme wird die Ähnlichkeit immer geringer. Ein charakteristisches Merkmal des menschlichen Gehirns ist seine Plastizität bis ins hohe Lebensalter. Das heißt, einen Schaltplan gibt es nicht − das Gehirn verändert quasi kontinuierliche seine Struktur.
 
5
Frank Rosenblatt (1928−1971), US-amerikanischer Psychologe.
 
6
Vgl. lineares Regressionsmodell, d. h. Vorhersage der Ausprägung eines Merkmals aufgrund der Ausprägungen anderer Merkmale (Eid et al. 2015; Goodfellow et al. 2016). Der Gewichtsvektor w enthält die Regressionskoeffizienten zur Vorhersage von Merkmal z durch die Merkmale a.
 
7
Warren Sturgis McCulloch (1898−1969), US-amerikanischer Neurophysiologe und Kybernetiker.
 
8
Walter Pitts (1923−1969), US-amerikanischer Kognitionspsychologe.
 
9
Man spricht von „online processing“ im Sinne von laufend oder schritthaltend. Im Gegensatz dazu wird beim „batch processing“ (Stapelverarbeitung) die Anpassung erst nach Abarbeiten des Stapels im Sinne eines Mittelwerts vorgenommen.
 
10
Donald Olding Hebb (1904–1985), kanadischer Psychologe, Hebb-Regel 1949.
 
11
Beispielsweise könnte bei der automatischen Bestimmung von Pflanzen die Merkmale Blattlänge und Blattbreite in Zentimetern herangezogen werden. Oder andere Klassenparameter könnten vorab in einer Klassenanalyse („cluster analysis“) bestimmt worden sein.
 
12
Bei binären Zielvariablen (Sollwert 0 oder 1) und Wahrscheinlichkeiten als Ergebnisse, kann die Kreuzentropie („cross-entropy function“) als Alternative zum MSE eingesetzt werden (Kap. 12).
 
Literatur
Birbaumer, N., & Schmidt, R. F. (2010). Biologische psychologie (7. Aufl.). Heidelberg: Springer.CrossRef
Braun, H. (1997). Neuronale netze. Optimierung durch lernen und evolution. Berlin: Springer.CrossRef
Bronstein, I. N., Semendjajew, K. A., Musiol, G., & Mühlig, H. (1999). Taschenbuch der mathematik (4. Aufl.). Frankfurt a. M.: Harri Deutsch.MATH
Eid, M., Gollwitzer, M., & Schmitt, M. (2015). Statistik und forschungsmethoden (4. Aufl.). Weinheim: Beltz.
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
Grävemeyer, A. (2020). Autos sehen Gespenster. Pixelmuster irritieren die KI autonomer Fahrzeuge. c’t – magazin für computertechnik, 17, 126–129.
Hedderich, J., & Sachs, L. (2016). Angewandte statistik. Methodensammlung mit R (15. Aufl.). Berlin: Springer Spektrum.MATH
Jacobs, R. A. (1988). Increased rates of convergence through learning rate adaption. Neuronal Networks, 1, 295–307.CrossRef
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical biophysics, 5, 115–133.MathSciNetCrossRef
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
Schandry, R. (2006). Biologische psychologie (2. Aufl.). Weinheim: Beltz Verlag.
Werner, M. (2008). Digitale Signalverarbeitung mit MATLAB-Praktikum. Zustandsraumdarstellung, Lattice-Strukturen, Prädiktion und adaptive Filter. Wiesbaden: Vieweg.
Metadaten
Titel
Künstliche Neuronen und Lernen
verfasst von
Martin Werner
Copyright-Jahr
2021
Buch
Digitale Bildverarbeitung

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

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

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-658-22185-0_11

Neuer Inhalt

    Bildnachweise