Neokognitron und Hopfield Netz als k nstliche neuronale Netze zur Mustererkennung: Theorie, computergest tzte Simulation und AnwendungenDas menschliche Gehirn empf„ngt eine F lle unterschiedlicher Reize ber verschiedene Sinnesorgane, wobei die visuelle Wahrnehmung in diesem Zusammenhang ein bedeutendes Gebiet darstellt. Der Mensch ist in der Lage aus einer groáen Menge visueller Reize bestimmte Signale innerhalb k rzester Zeit herauszufiltern und richtig zu interpretieren. Probleme ergeben sich allerdings bei der Portierung der nat rlichen Mustererkennung auf Computersysteme. Nach dem derzeitigen technischen Stand k”nnen Computer Daten zwar um ein vielfaches schneller verarbeiten, als unser Gehirn, sind aber dennoch mit Mustererkennungsaufgaben berfordert, die das Gehirn in k rzester Zeit erfolgreich durchf hrt. Ein Ansatz zur Nachahmung des nat rlichen Mustererkennungsprozesses sind k nstliche neuronale Netze als stark vereinfachte Modelle des Gehirns. Besonders das Neokognitron verspricht eine hohe Eignung zur Umsetzung dieser Aufgabe. Dieses Buch gibt zun„chst eine Einf hrung in das Gebiet der Mustererkennung und vermittelt die notwendigen Grundlagen zu k nstlichen neuronalen Netzen. Der Fokus liegt auf der strukturellen und funktionalen Darstellung des urspr nglichen Neokognitrons bei der Mustererkennung. Den dabei identifizierten Problemen begegnet man mit verschiedenen Erweiterungen, deren wesentliche Eigenschaften im šberblick dargestellt werden. Zur Veranschaulichung der praktischen Leistungsf„higkeit werden Anwendungen aufgezeigt, f r die das Neokognitron implementiert wurde. Neben dem Neokognitron wird auch das bin„re Hopfield-Netz als klassisches k nstliches neuronales Netz zur Mustererkennung erl„utert. Entsprechend dieser Ausf hrungen wurde zus„tzlich zum vorliegenden Buch ein E-Learning Modul f r bin„re Hopfield Netze prototypisch implementiert und wird hier vorgestellt. |
Common terms and phrases
Abbildung Abgerufen Abschnitt aktiviert allerdings anschließend Anwendung Anzahl Ausgabe Autoassoziation Basis Beholder Berechnung Bereich bestimmten binäre HN biologischen bspw bzgl C-Ebene CAPTCHAS dargestellt davorliegenden E-Learning Eigene Darstellung eindimensionales Feld Eingabe Eingabemuster Eingabeschicht Einsatz Einsatzphase Energiefunktion entsprechend erfolgt Erkennungsleistung Erkennungsrate ersten S-Schicht erweiterte Neokognitron extrahiert Formel FUKUSHIMA gelernte Merkmal Gesichtserkennung gespeicherten Muster Gewichtsmatrix grafische Benutzeroberfläche Hebb'sche Lernregel hemmenden Umfeldes Hopfield-Netz implementiert indirekten rezeptiven Feld Insgesamt Java Kantengewichte Kapitel komplexen Konfiguration konventionellen Neokognitrons KUNIHIKO künstliche neuronale Netze Lernphase Lernregel Lernverfahren letzten C-Schicht Mustererkennung Mustererkennungsaufgabe Mustererkennungsprozess Mustergröße Musterklasse Musterklassifikation Musterpixel Musterstörungen Neokognitron Netzkonfiguration Netzstruktur Neural Networks neuronales Netz nicht-überwacht NVIDIA Objekte ORACLE CORPORATION ORACLE CORPORATION 2010 Parameter pattern recognition processing Prozess rezeptiven Feldes Rotation Rotationsinvariantes rotierte Muster S-Ebene S-Schicht S-Zelle São Carlos Schicht Schließlich Selektivität Signale sowie Speicherung stark Stufe Synapsen Teilmuster trainiert Training Trainingsmuster Transferfunktion überwachten Lernen Verbindungen Verbindungsgewichte Verbindungsstruktur verschiedene Version verwendet visuellen weitere wobei zweidimensionalen