|
Neuronale Netze
Einführung
Anwendungsgebiete
Beispiele von Anwendungsgebieten
Weitere Anwendungsgebiete in
Kurzform
Beispiele
Weitere Informationen
|
Das Einsatzgebiet für Neuronale Netze ist sehr weitreichend und kann an
dieser Stelle nur ansatzweise aufgegriffen werden. Im Folgenden sollen daher nur
einige wenige Beispiele kurz vorgestellt werden. Für weitere Informationen
möchten wir Sie auf unsere eigens dafür eingerichtete Website
www.neuronale-netze.ch ver-weisen.
Mustererkennung/-ergänzung
Ein wichtiges Einsatzgebiet für Neuronale Netze ist die Mustererkennung. Mit
Hilfe von Neuronalen Netzen können auch verrauschte, sprich unscharfe oder
unvollständige Muster erkannt werden. Ein gutes Beispiel dazu bietet die
Personenerkennung. Die Schwierigkeit hierbei ist die Tatsache, dass eine Person
nie genau gleich aussieht, sie muss aber trotzdem erkannt und identifiziert
werden können. Hier ergänzt das Neuronale Netz das Bild und vergleicht es mit
dem gelernten und gespeicherten Prototyp. Auch die Schrifterkennung ist ein
wichtiges Einsatzgebiet, zum Beispiel um aus Bilddaten einen lesbaren und
abänderbaren Text zu erschaffen. Hierfür verwendet man meistens einen
Musterassoziator oder einen Autoassoziator.
Sprachanalyse
In der Sprachanalyse werden Neuronale Netze eingesetzt, da es sich hierbei
ebenfalls um verrauschte Muster handelt. Eine Stimme klingt je nach Gemütslage
nie genau gleich. Die Software muss also die gelernten Sprach-Muster den neuen
Geräuschen bzw. Sprachmustern zuordnen können. Dabei arbeitet man hier
hauptsächlich mit Fehlerrückführungs-Netzen.
Datenübertragung
Bei der Datenübertragung wird zunächst das zu übertragende Muster von einem
Neuronalen Netz in eine Klasse einsortiert. Ausschliesslich diese Information,
welche im Vergleich zur ursprünglichen Datenmenge massiv reduziert ist, wird
übertragen. Von einem zweiten Netz wird der Prototyp dieser Klasse erzeugt. In
der Regel werden für die Datenübertragung selbstorganisierende Karten (SOM) oder
Fehlerrückführungs-Netze verwendet. Datenübertragen und Datenreduktion mittels
Neuronaler Netze eignet sich überall dort, wo eine hundertprozentige
Rekonstruktion der Ursprungsdaten nicht erforderlich ist oder eine genügend
grosse Fehlertoleranz zugelassen werden kann. Als Beispiele für diesen
Verwen-dungszweck sollen an dieser Stelle die Übertragung von Audio- oder
visuellen Daten (Sprache, Musik, Bild oder Video) genannt sein.
Regelung
In der Regelungstechnik kommt es sehr oft vor, dass ein Prozess sich im Laufe
der Zeit ändert. Zum Beispiel nutzt sich eine Walze mit der Zeit ab, worauf sie
ständig neu eingestellt werden müsste. Hier können Neuronale Netze eingesetzt
werden, welche die Änderungen erkennen und die Parameter dann selbst
entsprechend ändern. Diese sogenannten adaptiven Regler werden mit
Fehler-rückführungs-Netzen oder anderen mehrschichtigen vorwärtsgerichteten
Netzen umgesetzt.
Robotik
In der Robotik werden Neuronale Netze eingesetzt, um die Fortbewegung in
unbekanntem Gelände zu lernen. Eine einfache Stabheuschrecke organisiert die
Bewegungsabläufe ihrer sechs Beine dezentral über rückgekoppelte Netze und passt
sie immer neu den Umweltbedingungen an. Dieser, aus der Natur entlehnte,
Mechanismus kann erfolgreich mittels Künstlicher Neuronaler Netze umgesetzt
werden und findet Einzug in verschieden ausgearteten „Gehmaschinen“.
Elektronische Nasen
In der Praxis müssen häufig verschiedene Gerüche, Dünste oder Gase aufgespürt
und identifiziert werden. Elektronische Nasen sind Systeme, die entwickelt
worden sind, um diese aufzuspüren. Eine elektronische Nase wird normalerweise
aus einem chemischen Sensorsystem und einem Mustererkennungssystem (Neuronales
Netz) zusammengesetzt. Jede Chemikalie hat eine Signatur oder ein Muster, das
charakteristisch für diese ist. Indem das Sensorsystem mehrere Chemikalien
vermisst, wird eine Datenbank von Signaturen, bzw. Muster dieser Chemikalie
erzeugt. Diese Datenbank von Signaturen wird benutzt, um das
Mustererkennungssystem zu trainieren. Ziel ist es, dem Mustererkennungssystem
beizubringen, dass einzigartige Klassifikationen von jeder Chemikalie erzeugt
werden können. Damit kann dann eine automatische Identifikation implementiert
werden.
Die Komplexität der gesammelten Daten von einem Sensorsystem kann eine
automatisierte chemische Analyse erschweren. Eine Möglichkeit der Identifikation
ist ein Array von Sensoren zu bilden, in dem jeder Sensor auf eine bestimmte
Chemikalie reagiert. Damit muss aber die Anzahl der Sensoren mindestens so gross
sein wie die Anzahl der Chemikalien, die analysiert werden sollen. Es kann
sowohl sehr kostspielig als auch schwierig sein, solche Sensorarrays zu bauen.
Künstliche Neuronale Netze werden verwendet, um komplexe Daten zu analysieren
und Muster zu erkennen. Wenn ein Neuronales Netz mit einem Sensorsystem
kombiniert wird, so kann die Anzahl der Sensoren kleiner werden, d.h., die
Anzahl der Sensoren kann gegenüber der Anzahl der aufzuspürenden Chemikalien
verringert werden. Auch können weniger selektive (einfachere) Sensoren, die
dadurch nicht so teuer sind, implementiert werden. Diese Systeme finden Einsatz
in der Praxis:
- In einem Experiment wurde versucht, kosteffektive Technologien zu
entwickeln, um die Umwelt zu regenerieren. Elektronische Nasen können dabei
sehr hilfreich sein. Verschiedene Anwendungen wären beispielsweise die
Analyse einer Mischung von Brennstoffen, Aufspürung eines Öllecks,
Überprüfung von Grundwasser oder die Identifikation von toxischem Müll.
- Die elektronische Nase findet auch Anwendung in der Medizin als ein
diagnostisches Werkzeug. Eine Nase kann Gerüche des Körpers analysieren und
verschiedene Probleme identifizieren. Der Mundgeruch kann auf Infektionen,
Zuckerkrankheiten oder Probleme mit der Leber hindeuten.
Medizin
Neuronale Netze finden nicht nur in elektronischen Nasen Anwendung in der
Medizin. Sie werden auch entwickelt, um verschiedene Teile des menschlichen
Körpers zu modellieren, sowie verschiedene Krankheiten auf der Basis von
Untersuchungsdaten zu erkennen. Neuronale Netze werden experimentell entwickelt,
um das menschliche Kardiovaskulärsystem zu modellieren. Eine Diagnose kann
optimiert werden, indem ein Systemmodell für eine einzelne Person gebildet wird.
Dieses Modell wird dann später mit Echtzeitmessungen des Patienten verglichen.
Ein Modell für eine einzelne Person muss aber die Beziehungen zwischen vielen
verschiedenen Variablen gut simulieren können. Das lässt sich sehr gut mit einem
Neuronalen Netz erledigen. Ein solches System kann eine frühe Diagnose für
Menschen ermöglichen, die unter gefährlichen Arbeits-bedingungen arbeiten. Zum
Beispiel kann das System helfen, die Effekte von Rauchinhalation für
Feuerwehrmänner zu beurteilen. Das System bestimmt dann, ob Feuerwehrmänner sich
ausreichend von einer Rauchinhalation erholt haben, um sich wieder an den
Brandherd zu begeben zu können.
Affective Computing
Im „Affective Computing“ werden Neuronale Netze auf das Erkennen emotionaler
Reaktionen trainiert. Ziel ist eine Verbesserung des Interfaces, der Interaktion
von Netz und Nutzer ohne Eingabegeräte wie Maus oder Keyboard. Somit kann z. B.
für behinderte Personen die Gewährleistung der Barrierefreiheit garantiert
werden. Emotionen lassen sich durch komplexe physiologische Lernmuster
charakterisieren. Die Entwicklung und der Einsatz entsprechender Software oder
Geräte für die Medizin und Psychiatrie liegen ebenfalls auf der Hand.
Schwarmintelligenz und Superorganismen
Stellen Sie sich eine Population einfacher Roboter vor, die wie Gabelstapler
nur Hindernisse (z. B. kleine Teelichter) schieben können (solange die Reibung
einen Schwellenwert nicht überschreitet) und Hindernissen ausweichen können.
Obwohl die Roboter nicht entsprechend programmiert wurden und untereinander
nicht (wie z. B. Insekten) kommunizieren können, haben sie nach einer gewissen
Zeit ihre Hindernisobjekte nach bestimmten Ordnungsmustern zusammengeschoben.
Beim Roboterfussball soll schließlich Schwarmintelligenz durch verteilte
künstliche Intelligenz im Team realisiert werden. Ziel ist, dass die
Fussballroboter während des Spielverlaufs wie menschliche Spieler ohne
Zentralsteuerung eine gemeinsame Spielstrategie entwickeln, die sich selbständig
auf neue Situationen einstellt. Nebst dem Einsatz von symbolbasierter
künstlicher Intelligenz hat man erkannt, dass Neuronale Netze in diesem Bereich
sehr erfolgreich sind und prinzipbedingt nicht an statische, unüberwindbare
Grenzen stossen.
|
|