Neuronale Netze: Grundlagen und Anwendungen: Computational Intelligence

1 Einführung.- 1.1 Was ist ein neuronales Netz?.- 1.2 Eigenschaften neuronaler Netze.- 1.3 Zur Historie.- 1.4 Problemklassen.- 1.5 Das Forschungsgebiet neuronale Netze.- 1.6 Buchüberblick.- 1.7 Einige ausgewählte Lehrbücher.- 1.8 Fragen zu Kapitel 1.- 2 Mustererkennung.- 2.1 Einführung.- 2.2 Entscheidungsgrenzen.- 2.3 Klassifikationstechniken.- 2.4 Fragen zu Kapitel 2.- 3 Biologische Grundlagen.- 3.1 Die Nervenzelle.- 3.2 Erregung von Nerven.- 3.3 Synaptische Übertragung.- 3.4 Physiologie kleiner Nervenverbände.- 3.5 Zusammenfassung.- 3.6 Fragen zu Kapitel 3.- 4 Grundlagen neuronaler Netze.- 4.1 Die “building blocks”.- 4.2 Das Neuron.- 4.3 Der Netzwerkgraph.- 4.4 Die Lernregel.- 4.5 Datenräume.- 4.6 Zusammenfassung.- 4.7 Fragen zu Kapitel 4.- 5 Das Perzeptron.- 5.1 Einführung.- 5.2 Das Perzeptron-Lernverfahren.- 5.3 Lineare Separierbarkeit.- 5.4 Zusammenfassung.- 5.5 Fragen zu Kapitel 5.- 6 Überwachtes Lernen.- 6.1 Einführung.- 6.2 Backpropagation.- 6.3 Erweiterungen zu Backpropagation.- 6.4 Quickprop.- 6.5 Resilient Propagation.- 6.6 Verfahren zur Minimierung von Netzen.- 6.7 Zusammenfassung.- 6.8 Fragen zu Kapitel 6.- 7 Kohonen-Netze.- 7.1 Einleitung.- 7.2 Kohonens Modell.- 7.3 Betrachtungen zur Konvergenz.- 7.4 Zusammenfassung.- 7.5 Fragen zu Kapitel 7.- 8 ART-Netze.- 8.1 ART-1-Netze.- 8.2 Weitere ART-Netze.- 8.3 Zusammenfassung.- 8.4 Fragen zu Kapitel 8.- 9 Hopfield-Netze.- 9.1 Einführung.- 9.2 Das Hopfield-Modell.- 9.3 Lernen und Abrufen von Informationen.- 9.4 Ergänzendes zu Hopfield-Netzen.- 9.5 Zusammenfassung.- 9.6 Fragen zu Kapitel 9.- 10 Die Boltzmann-Maschine.- 10.1 Einführung.- 10.2 Die stochastische Erweiterung.- 10.3 Das Lernverfahren.- 10.4 Zusammenfassung.- 10.5 Fragen zu Kapitel 10.- 11 Cascade-Correlation-Netze.- 11.1 Einführung.-11.2 Das Verfahren.- 11.3 Zusammenfassung.- 11.4 Fragen zu Kapitel 11.- 12 Counterpropagation.- 12.1 Einführung.- 12.2 Aufbau eines Counterpropagation-Netzes.- 12.3 Die Kohonen-Schicht.- 12.4 Die Grossberg-Schicht.- 12.5 Zusammenfassung.- 12.6 Fragen zu Kapitel 12.- 13 Probabilistische Neuronale Netze.- 13.1 Einführung.- 13.2 Bayes’ sche Klassifikatoren.- 13.3 Die Architektur von PNN.- 13.4 Zusammenfassung.- 13.5 Fragen zu Kapitel 13.- 14 Radiale Basisfunktionsnetze.- 14.1 Einführung.- 14.2 Aufbau eines RBF-Netzes.- 14.3 Training von RBF-Netzen.- 14.4 Zusammenfassung.- 14.5 Fragen zu Kapitel 14.- 15 Neuronale Netze und Fuzzy-Logik.- 15.1 Einführung.- 15.2 Grundlagen der Fuzzy-Logik.- 15.3 Neuro-Fuzzy-Systeme.- 15.4 Zusammenfassung.- 15.5 Fragen zu Kapitel 15.- 16 Neuronale Netze und genetische Algorithmen.- 16.1 Grundlagen evolutionärer Prozesse.- 16.2 Genetische Algorithmen.- 16.3 Neuro-genetische Verfahren.- 16.4 Zusammenfassung.- 16.5 Fragen zur Kapitel 16.- 17 Entwicklung neuronaler Systeme.- 17.1 Ein Phasenmodell für neuronale Systeme.- 17.2 Datenmodellierung.- 17.3 Erstellen des Klassifikators.- 17.4 Performanz von Klassifikatoren.- 17.5 Testen des Klassifikators.- 17.6 Optimieren von Klassifikatoren.- 17.6 Zusammenfassung.- 17.7 Fragen zu Kapitel 17.- 18 Anwendungsbeispiele.- 18.1 Finanzwirtschaft.- 18.2 Computerunterstütze Fertigung.- 18.3 Qualitätssicherung.- 18.4 Produktionsplanung.- 19 Literaturverzeichnis.- 20 Index.

Dr. A. Scherer war von 1990-1994 wissenschaftlicher Mitarbeiter an der Fern-Universität Hagen, wo er Erfahrungen mit Neuronalen Netzen sammelte. In einer Reihe von industrienahen Projekten, an denen Partner aus dem Automobil- und Bankenbereich beteiligt waren.

Kompaktes und praxisorientiertes Lehrbuch