Informatives über neuronale Netze

Über die Grundlagen künstlicher neuronaler Netze wurde bereits viel geschrieben. Eine Wiederholung des Altbekannten an dieser Stelle ist nicht sinnvoll. Von Interesse ist vielmehr die Praxis der Netzanwendung, und auf die wird ausführlich eingegangen.

Es gibt viele Netzvarianten. Artifin befaßt sich ausschließlich mit BackPropagation-Netzen und das mit und ohne verborgenene Schichten. Warum verborgene Schichten? Ein Netz ohne verborgene Schichten besteht aus einer Eingangsschicht mit einem oder mehreren Eingängen und aus einer Ausgangsschicht ebenfalls mit einem oder mehreren Ausgängen. Da es kein Zwischenglied zwischen den beiden Schichten gibt, verhält sich das Netz wie eine lineare Funktion und kann daher fehlerfrei nur linearen Zusammenhängen folgen. Verborgene Schichten zwischen Eingang und Ausgang entkoppeln die beiden Schichten und schaffen neue  Verbindungen zwischen den Netzelementen. Ein solches Netz kann auch komplizierten Zusammenhängen mit vernachlässigbarem Fehler folgen.

Vorteile neuronaler Netze

• Analogien bilden und Ähnlichkeiten finden, Beschreibung von auch unklaren Zusammenhängen zwischen Systemeingang und -ausgang.
• Geringer Arbeitsaufwand der sich auf die Eingabe geeigneter Beispiele - der Wissensbasis - beschränkt.
• Keine Datenverarbeitungskenntnisse oder andere Spezialkenntnisse erforderlich, zumindest nicht bei ARTIFIN-Netzen.
• Schnelle Berechnung der Ergebnisse, wenn einmal gelernt worden ist.

Nachteile neuronaler Netze

• Unfähigkeit die gelieferten Ergebnisse zu erklären.
• Hoher  Lernaufwand und daher ein "schneller" Rechner empfehlenswert und/oder viel Geduld erforderlich.
• Die Genauigkeit der Berechnung reicht in der Regel für jede Anwendung aus, der Fehler ist jedoch nicht gleich Null. Ein Streben nach einer überflüssig hohen Genauigkeit kann manchmal der Sache auch Schaden, weil die assoziative Fähigkeit des Netzes durch eine überflüssig hohe Genauigkeit geschwächt werden kann.
• Eine Formel als Funktionsgleichung gibt es nicht.
• Nicht jede Wissensbasis kann erfolgreich gelernt werden.
   

Die künstlichen neuronalen Netze können nicht alles (leider), aber doch schon manches, was andere nicht können

Mehr über die Optimierung und Konvergenzfähigkeit erfahren ?