|
Künstliche Neuronale Netze (KNN) werden immer
vermehrt von Software Entwick- lern in Programmen als Ergänzung oder Ersatz der
strengen Logik eingesetzt. Diese Netze bilden eine bedeutsame Schnittstelle zur
künstlichen Intelligenz, die jedoch nach wie vor dem Gros der Softwareentwickler
weitest-gehend unbekannt ist oder eine nur schwer überwindbare Hürde bedeutet.
Die Entwicklung eines KNN in einer Programmiersprache wie C++ oder C# kann mit
einem enormen, unverhältnismässigen Arbeitsaufwand gleichgesetzt werden.
Das muss nicht sein…
Mit Synaware Recall stellen wir Ihnen ein Werkzeug zur Verfügung, mit dem Sie
mit verschiedenen Netzmodellen experimentieren können, um innerhalb kürzester
Zeit das für Ihre Zwecke optimale Netz zur gestellten Problemlösung zu finden.
Der Erstellungsprozess von Neuronalen Netzen besteht oftmals aus Experimenten
nach dem Prinzip „Try and error“, was mit Synaware Recall geradezu zum
Kinderspiel wird.
Entwicklungsumgebung
Synaware Recall stellt eine Entwicklungsplattform für den Entwurf von
Künstlichen Neuronalen Netzen zur Verfügung. Mit wenigen Handgriffen lassen sich
Neuronale Netze konstruieren, die sich innerhalb der grafischen
Benutzeroberfläche von Synaware Recall per Mausklick trainieren, testen und
anwenden lassen. Unzählige Funktionen, Ansichten und integrierte Tools
unterstützen Sie während sämtlichen Phasen des Entwurfs, bis hin zur Anwendung.
Durch den übersichtlichen Aufbau und die ansprechende Gestaltung sind selbst
ungeübte Softwareentwickler mit diesem einfach zu bedienenden Werkzeug in
kürzester Zeit in der Lage, erfolgreich künstliche Intelligenz in den von ihnen
entwickelten Programmen zu realisieren.
Topologien
Synaware Recall unterstützt die folgenden Netz-Topologien:
- Perzeptron
- MLP – Multi Layer Perzeptron
- ADALINE
- MADALINE (Multiple ADALINE)
- Jordan
- Elman
- Hierarchische Elman Netze
- Erweiterte Elman Netze
- Freidefinierbare Feed Forward Netze
Ausgehend von den Basismodellen können die automatisch generierten Netze nach
eigenen Vorstellungen in ihrer Struktur modifiziert und erweitert werden. Die
Netzparameter lassen sich, bis hin zu den Neuronen und den Gewichten einzelner
Synapsen, beliebig bearbeiten.
Weitere Netz-Topologien sind in Vorbereitung.
Lernmethoden
Für das Training stehen verschiedene Lernalgorithmen zur Verfügung, welche
über die entsprechenden Parameter frei konfigurierbar sind. Mit den folgenden
Lernmethoden lassen sich die Netze trainieren:
- Hebb'sches Koinzidenzlernen
- Rosenblatt
- Delta-Regel
- Backpropagation
- QuickProp
- Manhattan
- SuperSAB - Super Self Adaptive Backpropagation
- AProp – Adaptive Propagation
- RProp – Resilient Propagation
- Back Percolation
- Netzspezifische Lernalgorithmen
|