|
|
|
|
|
|
|
|
|
 |
 |
|
Herausforderung:
technisch-medialer Wandel
|
|
|
|
|
|
|
 |
 |
 |
|
|
 |
|
blikk
schule |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ein einfaches Neuronales Netz:
auf der Grundlage des Perceptions-Modells
|
|
 |
 |
 |
 |
 |
|
|
|
|
|
|
|
|
|
|
Ein
einfaches Abbildungsbeispiel
Die drei Muster
A, B und C sollen erkannt werden und eine je spezifische Reaktion zur
Folge haben.
Wenn das Muster A erkannt wird, so soll Outputneuron 1 "aktiv"
sein (den Befehl zum Wegspringen geben),
wenn Muster B erkannt wird, so soll Outputneuron 2 "aktiv" sein
(den Befehl zum Angriff geben) und entsprechend soll Outputneuron 3 "aktiv"
sein (den Befehl zum Nichtstun geben), wenn das Muster C erkannt wird.
|
|

Mathematisch
handelt es sich um eine Abbildungsfunktion, die sich auch
vektoriell wie folgt schreiben lässt:
(101) --> (100), (111) --> (010), (010) --> (001)
|
... |
|
|
Lösung
des Abbildungsproblems mit Hilfe eines Programms in einer seriellen Schrittfolge |
|
Ein
seriell arbeitender Computer, etwa ein PC, würde das Problem mit folgendem
Programm lösen:
Gehe zum mittleren Input-Neuron und stelle fest, ob es feuert oder nicht;
feuert es nicht, so handelt es sich um Muster A, feuert es, so gehe zum
oberen Input-Neuron; feuert dies nicht, so handelt es sich um Muster C;
feuert es , liegt Muster B vor.
Dieses ist noch ein einfaches Programm mit Rechen- und Zuordnungsregeln.
Mit jedem zusätzlichen Abbildungspunkt wird das Programm aber exponentiell
komplizierter. |
|
|
|
Lösung
des Abbildungsproblems mit Hilfe eines einfachen Neuronalen Netzes
In einem Perception
Modell ist jedes Neuron der Inputschicht mit jedem Neuron der Outputschicht
verbunden. Jeder einzelne Input wird gewichtet und gelangt so in die Outputschicht.
Annahme: Alle drei Outputneuronen haben ein Aktivierungspotential von
0,8.
|
|
 |
.. |
|
|
Beispielrechnung
für die Abbildung von Muster A
Wird Muster A wahr-genommen,
entspricht die Aktivität der Inputschicht diesem Muster. Über die Verbindungen
erhalten alle Neuronen der Outputschicht - mit unterschiedlichen Synapsenstärken
gewichtet - diesen Input. Das obere Neuron der Outputschicht erhält über
seine Synapsen den Gesamt-Input 1. Er ist größer als das AP
von 0,8, also feuert das oberste Outputneuron. Der entsprechend berechnete
gewichtete Input des mittleren Neurons beträgt 0,6 der des unteren Neurons
-0,6. Also sind diese beiden Neuronen nicht aktiv.
|
|

|
|
|
|
Ein
neuronales Netz verarbeitet alle eingehenden Inputs parallel (gleichzeitig).
Neuronale
Netze können trainiert werden, sie sind lernfähig und können
insbesondere die Synapsenstärken selbständig lernen.
|
|
Die Verarbeitung aller
Inputs erfolgt parallel: gleichzeitig in allen drei Neuronen der Outputschicht.
Diese Parallelverarbeitung hat wesentliche Vorteile gegenüber der seriellen
Arbeit. So erfolgt das Erkennen des Musters in einem einzigen Schritt.
Besteht also das Muster aus mehr als drei Bildpunkten, bleibt die Schnelligkeit
erhalten. Das Erkennen komplexerer Muster erfordert also lediglich mehr
Neuronen. Das Wissen über die richtige Zuordnung oder Abbildung steckt
im Netz, also erstens in der Art der Vernetzung der Neuronen, zweitens
insbesondere in der Stärke der Synapsen und drittens im Aktionpotential.
Wenn wir davon
ausgehen, dass unser Gehirn eher wie ein neuronales Netz funktioniert
- und nicht seriell wie ein herkömmlicher Computer arbeitet - dann
erscheinen geistige Prozesse in einem neuen Licht. Ebenso wird
deutlicher, was damit gemeint ist, wenn gesagt wird: das wurde in der
biologischen Evolution gelernt.
|
|
|
|
|
|
|
|
 |
|
Letzte Änderung: 13.10.2006
© Pädagogisches Institut für die deutsche Sprachgruppe
- Bozen. 2000 -
|
|
|