Die vorliegende Arbeit setzt den Fokus auf Klassifikationsaufgaben, die mit Hilfe Neuronaler Netze bewältigt werden. Das Hauptinteresse liegt bei der praktischen Anwendbarkeit, also z.B. beim industriellen Einsatz. Unter diesen Bedingungen zeigt sich, dass viele Methoden, die sich in der Theorie bewährt haben, in der Praxis nicht anwendbar sind. Das hat verschiedene Ursachen. So ist das entscheidende Kriterium beim industriellen Einsatz die Wirtschaftlichkeit. Steht der zu erwartende Nutzen eines Verfahrens einem unverhältnismäßig großem Aufwand gegenüber und kann der Erfolg zudem nicht garantiert werden, so ist der Einsatz dieses Verfahrens sehr unwahrscheinlich, auch wenn es in der Theorie hervorragende Resultate liefert. Ein weiterer Punkt, der sich unter anderem auch aus dem Aspekt der Wirtschaftlichkeit ergibt, ist die Datengewinnung. Diese ist zumeist mit finanziellem Aufwand verknüpft, da zum einen Zeit für die Gewinnung selbst und zum anderen für die Datenvor- bzw. Nachbearbeitung investiert werden muss. Im ungünstigsten Fall muss die Messeinrichtung für die Datengewinnung erst installiert und ein speziell für die Datenaufzeichnung reservierter Zeitraum zur Verfügung gestellt werden. Unter diesen Umständen kann die Anlage dann eventuell nicht der Wertschöpfung dienen. Um das Potential von Neuronalen Netzen schließlich auch ausschöpfen zu können, müssen die Daten alle für den späteren Einsatz relevanten Messdaten bzw. Arbeitspunkte enthalten. Dies kann insofern zu einem Problem werden, als bestimmte Prozesszustände nur äußerst selten eintreten. Dies ist beispielsweise bei Defekten oder Störungen der Fall. Die Simulation oder gar Provokation eines Defektes ist mit Kosten verbunden. Daher sind der Datengewinnung und -aufnahme, vor dem Hintergrund betriebswirtschaftlicher Interessen, Grenzen gesetzt. Da der Einsatz von Neuronalen Netzen oft für eine ganze Gruppe von Produkten eingesetzt werden soll, muss außerdem gewährleistet werden, dass der Aufwand für die Anpassung an ein neues Produkt möglichst gering gehalten wird. Lange Adaptionsphasen z.B. für ein Nachtraining der Netze sind daher in der Regel ausgeschlossen. Nicht zuletzt darf der Einsatz der Neuronalen Netze nicht auf Experten beschränkt sein, sondern muss auf den fachkundigen Anwender zugeschnitten sein. Das Thema der vorliegenden Arbeit ist die Anwendbarkeit von Neuronalen Netzen als Klassifikationssystem. Für ein Klassifikationssystem wird ein zu klassifizierendes Objekt durch Merkmale abgebildet. Diese Merkmale werden aus (Mess-)Daten des Objektes extrahiert. In der Regel ist jedoch nicht bekannt, welche Merkmale sich dazu eignen, das Objekt für die Klassifikation ausreichend genau und vor allem eindeutig abzubilden. Daher ergibt sich oft das Problem, eine Auswahl unter den zur Verfügung stehenden Merkmalen zu treffen. Diese Merkmalsselektion ist von zentraler Bedeutung für den erfolgreichen Einsatz eines Klassifikationssystems. Obwohl in der Literatur einige Verfahren zur Merkmalsselektion existieren, gibt es keine standardisierte Vorgehensweise und auch keine Erfolgsgarantie. Gut fünfzig Jahre nach dem Beginn der Forschungen auf dem Gebiet der Neuronalen Netze ist dieses Problematik noch nicht vollständig und abschließend gelöst. Viele der in der Literatur bekannten Verfahren sind sehr kompliziert und dadurch schwer handhabbar und zeitintensiv. Außerdem sind die meisten Verfahren vorwiegend nur in der Theorie oder anhand synthetischer Datensätze erprobt. Der Tauglichkeitsnachweis für den industriellen Einsatz ist häufig nicht gegeben. Daher wird ein Großteil der Verfahren nach deren Entwicklung und Veröffentlichung in der Literatur nicht weiter verfolgt und von einem erfolgreichen industriellen Einsatz wird selten berichtet. Gegenstand der vorliegenden Arbeit ist es deshalb, die in der Literatur bekannten Verfahren zur Merkmalsselektion zu untersuchen darauf aufbauend ein neues, besonders praxistaugliches Verfahren zu entwickeln.