Detlef Nauck, Frank Klawonn und Rudolf Kruse:

Neuronale Netze und Fuzzy-Systeme

Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der Kopplung mit wissensbasierten Methoden

2., überarbeitete und erweiterte Auflage

In der 2. Auflage haben wir zwei neue Kapitel hinzugefügt. Ein Kapitel über Radiale-Basisfunktionen-Netze (Kap. 6) und ein Kapitel über Neuro-Fuzzy-Datenanalyse.

Inhaltsverzeichnis

Einleitung

Teil I - Grundlagen Neuronaler Netze

1 Historische und Biologische Aspekte

2 Ein generisches Modell für Neuronale Netze
2.1 Die Struktur Neuronaler Netze
2.2 Die Arbeitsweise Neuronaler Netze
2.3 Strukturveränderung - Lernen
2.4 Lernparadigmen

Teil II - Architekturen Neuronaler Netze

3 Perceptrons
3.1 Das formale Modell des Perceptrons
3.2 Lineare Separabilität
3.3 Der Lernalgorithmus des Perceptrons

4 Einfache lineare Modelle
4.1 Das formale Modell Linearer Neuronaler Netze
4.2 Das ADALINE und die Delta-Regel
4.3 Matrixspeicher und die Hebbsche Lernregel

5 Multilayer-Perceptrons
5.1 Das formale Modell des Multilayer-Perceptrons
5.2 Backpropagation - Die verallgemeinerte Delta-Regel
5.3 Anwendung des Backpropagation-Algorithmus
5.4 Linear nicht-separable Lernaufgaben
5.5 Multilayer-Perceptrons als universelle Approximatoren
5.6 Anwendungen

6 Radiale Basisfunktionen
6.1 Lokale versus globale Klassifikation
6.2 Das formale Modell Radialer-Basisfunktionen-Netze
6.3 Lernverfahren für RBF-Netze

7 Wettbewerbslernen

8 Selbstorganisierende Karten
8.1 Das formale Modell
8.2 Anwendungen selbstorganisierender Karten
8.3 Counterpropagation

9 Hopfield-Netze
9.1 Das formale Modell des Hopfield-Netzes
9.2 Die Energiefunktion eines Hopfield-Netzes
9.3 Das Hopfield-Netz als autoassoziativer Speicher
9.3.1 Direkte Berechnung der Netzwerkstruktur und der Schwellenwerte
9.3.2 Die Hebbsche Lernregel für Hopfield-Netze
9.3.3 Die Widrow-Hoff-Regel für Hopfield-Netze
9.4 Die Lösung von Optimierungsproblemen mit Hopfield-Netzen
9.5 Das kontinuierliche Hopfield-Modell

10 Simulated Annealing und Boltzmann-Maschinen
10.1 Simulated Annealing
10.2 Boltzmann-Maschinen

11 Neuronale Regler

Teil III - Konnektionistische Expertensysteme

12 Grundlagen der Expertensysteme

13 Wissensrepräsentation in Neuronalen Netzen
13.1 Der Wissensbegriff in der KI-Forschung
13.2 Wissensrepräsentation
13.3 Kognitionswissenschaftliche Aspekte der Wissensrepräsentation
13.4 Wissensverarbeitung
13.5 Konnektionistische Wissensrepräsentation und Wissensverarbeitung

14 Modellierung Konnektionistischer Expertensysteme
14.1 Konzeptionelle Überlegungen
14.2 Regelfolgende Modelle
14.3 Regelbeherrschte Modelle

15 Preprocessing
15.1 Transformationen und Merkmalsausprägung
15.2 Erlernen der Transformationen

Teil IV - Neuronale Fuzzy-Systeme

16 Modellierung Neuronaler Fuzzy-Systeme
16.1 Kognitive Modellierung von Expertenverhalten
16.2 Fuzzy-Regler
16.3 Kombinationen Neuronaler Netze und Fuzzy-Regler

17 Kooperative Neuronale Fuzzy-Regler
17.1 Adaptive Fuzzy-Assoziativspeicher
17.2 Linguistische Interpretation selbstorganisierender Karten
17.3 Erlernen von Fuzzy-Mengen

18 Hybride Neuronale Fuzzy-Regler
18.1 Das ARIC-Modell
18.2 Das GARIC-Modell
18.3 Weitere Modelle

19 Das NEFCON-Modell
19.1 Anforderungen an das Modell
19.2 Die Architektur
19.3 Die Arbeitsweise
19.4 Fuzzy-Fehler-Propagation - Der Lernalgorithmus
19.5 Erlernen einer Regelbasis
19.6 Beurteilung des NEFCON-Ansatzes
19.7 NEFCON-I - Eine Implementierung

20 Neuro-Fuzzy-Datenanalyse
20.1 Fuzzy-Clusteranalyse
20.2 Das FuNe-I-Modell
20.3 Fuzzy RuleNet
20.4 Das NEFCLASS-Modell
20.5 NEFCLASS-PC - Eine Implementierung

21 Neuronale Netze und Fuzzy-Prolog
21.1 Neuronale Netze und Logik
21.2 Fuzzy-Logik
21.3 Neuronale Netze und Fuzzy-logische Programme
21.4 Der Lernalgorithmus

Literaturverzeichnis

Index

Go to Top