Künstliches neuronales Netz
Künstliche neuronale Netze (engl. artificial neural networks - ANNs) als Teilgebiet der Künstlichen Intelligenz beinhalten im Wesentlichen Vorschläge für die computergestützte Simulation neuronaler Schaltvorgänge, wie sie im Gehirn beobachtet werden können (siehe auch neuronale Netze). Sie sind eine Realisierung des konnektionistischen Paradigmas.
Während das Gehirn zur massiven Parallelverarbeitung in der Lage ist, arbeiten die meisten heutigen Computersysteme nur sequentiell bzw. partiell parallel (sog. Von-Neumann-Architektur eines Rechners). Es gibt jedoch auch erste Prototypen neuronaler Rechnerarchitekturen, sozusagen den Neuronalen Chip, für die das Forschungsgebiet der KNNs die theoretischen Grundlagen bereitstellt. Man stellt KNNs damit explizit den natürlichen "neuronalen Netzwerken" gegenüber, welches Modelle von Nervenzellverschaltungenverschaltungen im Gehirn sind. Meistens sind im fachlichen Sprachgebrauch KNNs gemeint, wenn nur von "neuronalen Netzen" die Rede ist.
Neuronale Netze haben im Vergleich zu anderen Gebieten der künstlichen Intelligenz ihren Anwendungsschwerpunkt immer genau dort, wo ein Computer etwas lernen soll bzw. auch durch einige ausgewählte Eingabemuster auf eine allgemeinere, abstraktere Form des Musters schließen können soll ("Generalisierung", z. B. Bild-/Gesichtserkennung). Auch bei der Vorhersage von Veränderungen in komplexen Systemen werden KNNs unterstützend hinzugezogen, z.B. zur Früherkennung sich abzeichnender Tornados oder aber auch zur Abschätzung der weiteren Entwicklung wirtschaftlicher Prozesse.
Die beiden Hauptnachteile von KNNs der Gegenwart sind
Einleitung
Anwendung
Biologische Grundlagen
Typen von KNNs
Lernverfahren
Anwendungen
Schwierigkeiten
Implementierungen und Simulationspakete
Siehe auch
AktivierungsraumLiteratur
Newsgroups
Weblinks