Neuronale Netze für Ingenieure

Immer mehr Probleme der Industrie, Wirtschaft und des täg­ lichen Lebens können mit Hilfe von künstlichen neuronalen Netzen gelöst werden. Sie stellen deshalb nicht länger eine Domäne der Informatikspezialisten dar. Jedoch gibt es zwischen diesem Gebiet und den Fächern der Ingenieurstudienrichtungen eine Diskrepanz. Unser Bestreben ist es, die neuronalen Netze durch die Be­ griffe der Regelungstechnik, ein Pflichtfach für Studenten der Elektrotechnik, Maschinenbau, Verfahrenstechnik, einheitlich und strukturiert zu beschreiben und dabei mit möglichst ge­ ringen mathematischen Voraussetzungen auszukommen. Das Buch wendet sich an Studenten der praktisch orientier­ ten Studiengänge an Fachhochschulen sowie an die in der Praxis tätigen Ingenieure. Im Vordergrund stehen keine komfortablen Neuro-Tools wie DataEngine oder Neuromodel, aber auch keine detaillierten Analogien zum menschlichen Gehirn. Es werden sowohl Grundlagen als auch die Vielzahl der Netztypen mit ihren spezifischen Eigenschaften behandelt und an Hand der zahl­ reichen Beispiele anschaulich erklärt. Mit den vorliegenden Algorithmen kann man selbst Programme schreiben, expe­ rimentieren und schrittweise alle Variablen und Netzteile Stück für Stück verfolgen. Diese Kenntnisse sollen später einen Zugang zu einem komplexen Anwendungsprogramm erleichtern. Das Buch gliedert sich in sechs Abschnitte. Im 1. Abschnitt wird der funktionale Aufbau und die Funktionsweise eines einfachen künstlichen Neurons beschrieben. Für einen leichteren Zugang zu den einzelnen Netzen befaßt sich der 2. Abschnitt mit der Einteilung von neuronalen Netzen nach technischen Kriterien. Auf einen kurzen historischen Rück­ blick konnten wir in diesem Abschnitt nicht verzichten, um Vorwort VI damit eine Übersichtüber die fast dramatische Entwicklung dieses Gebietes zu vermitteln.

Professor Dr.-Ing. Serguei Zakharian lehrt an der Fachhochschule Wiesbaden, Fachbereich Mathematik, Naturwissenschaften und Datenverarbeitung.
Dipl.-Ing. Stefan Thoer studierte an der Fachhochschule Wiesbaden Elektrotechnik mit dem Schwerpunk Meß- und Regelungstechnik.

1. Aufbau eines künstlichen Neurons.- 1.1 Grundmodell eines Neurons.- 1.2 Grundbegriffe der KNN.- 1.3 Das Lernen als Gewichtsänderung.- 1.4 Optimierungs- und Suchverfahren.- 1.5 Realisierung eines künstlichen Neurons.- 1.6 Das Lernen als Mitkopplung.- 2. Einteilung von künstlichen Neuronalen Netzen.- 2.1 Netzfunktionen und Anwendungen.- 2.2 Statische Kennlinien von Neuronen.- 2.3 Lernmechanismen.- 2.4 Historischer Rückblick.- 2.5 Vor- und Nachteile von KNN.- 3. Grundtypen von künstlichen Neuronalen Netzen.- 3.1 Übersicht.- 3.2 Einzelschicht Perzeptron.- 3.3 Mehrschicht Perzeptron.- 3.4 Adaline / Madaline - Netze.- 3.5 Cognitron und Neocognitron.- 3.6 Comparator-Netz.- 3.7 Backpropagation.- 3.8 Counterpropagation.- 3.9 Querpropagation.- 3.10 Hopfield-Netz.- 3.11 Hamming-Netz.- 3.12 Kohonen-Netz.- 3.13 Carpenter / Grossberg-Netz.- 3.14 Cooper's RCE-Netz.- 3.15 Kosko's BAM.- 3.16 IAC-Netz.- 4. Regelungstechnische Anwendungen von KNN.- 4.1 Einführung.- 4.2 Identifikation.- 4.3 Stabilitätsuntersuchung.- 4.4 Regelung und Steuerung mit KNN.- 4.5 Entwurf u. Realisierung eines Reglers mit KNN.- 5. Übungsaufgaben mit Lösunqen.- 5.1 Übungsaufgaben.- 5.2 Lösungen.- 6. Literaturverzeichnis.- Sachwortverzeichnis.