Definition künstliches neuronales Netz | KNN Was ist ein neuronales Netzwerk?

Anbieter zum Thema

PresseBox - unn | UNITED NEWS NETWORK GmbH

Fujitsu Technology Solutions GmbH

Ein künstliches neuronales Netz ist vom biologischen neuronalen Netzwerk inspiriert. Es abstrahiert dessen Funktionsweise in einem mathematischen Modell und besteht aus miteinander verknüpften Neuronen. Mit künstlichen neuronalen Netzwerken können verschiedene Aufgabenstellungen computerbasiert gelöst werden. Ein künstliches neuronales Netz lässt sich trainieren und lernt selbständig dazu. Künstlichen neuronale Netzwerke sind ein Teilgebiet der künstlichen Intelligenz.

In seiner ursprünglichen Bedeutung ist ein neuronales Netzwerk Teil eines biologischen Nervensystems. Es besteht aus vernetzten Neuronen (Nervenzellen), die über elektrische Signale kommunizieren. In der Informationstechnik bildet ein künstliches neuronales Netz (KNN) die Funktionalität eines biologischen neuronalen Netzwerks mithilfe eines abstrahierten mathematischen Modells ab. Ein KNN (im Englischen: Artificial Neural Network - ANN) orientiert sich am Aufbau und an der Funktionsweise des menschlichen Gehirns. Neuronen verarbeiten Input mithilfe mathematischer Formeln und generieren einen Output. Viele miteinander verknüpfte Neuronen bilden ein neuronales Netz. Künstliche neuronale Netze sind ein Teilgebiet der künstlichen Intelligenz und versetzten Computer in die Lage, eigenständig verschiedene Problem- und Aufgabenstellungen zu lösen. Die neuronalen Netze lassen sich trainieren und lernen selbständig dazu.

Aufbau und Funktionsweise eines neuronalen Netzwerks

Stark vereinfacht dargestellt besteht ein neuronales Netzwerk aus mehreren miteinander verbundenen Schichten von Neuronen. Die Neuronen werden auch als Knoten oder Units und die Verbindungen als Kanten bezeichnet. Neuronen nehmen Informationen auf, verarbeiten sie, generieren ein Ergebnis und geben dieses weiter. Grundsätzlich ist eine Unterscheidung zwischen Input-, Hidden- und Output-Neuronen möglich. Input-Neuronen erhalten Informationen von der Außenwelt. Output-Neuronen geben Informationen als Ergebnis wieder nach außen weiter. Dazwischen befinden sich die Hidden-Neuronen, die die Input-Neuronen über ein internes Netz mit den Output-Neuronen verbinden. Der Output eines Neurons wird zum Input eines verbundenen Neurons. Die Komplexität eines neuronalen Netzwerks und dessen Fähigkeit, bestimmte Aufgabenstellungen zu lösen, ist durch die Anzahl der Neuronen, die vorhandenen Neuronenschichten und die Verbindungsmöglichkeiten der Neuronen in den verschiedenen Schichten definiert. Wissen und Intelligenz des Netzwerks sind in den verschieden gewichteten Verbindungen der Neuronen gespeichert.

Training eines neuronalen Netzwerks

Bevor ein künstliches neuronales Netzwerk Aufgabenstellungen lösen kann, muss es trainiert werden. Auf Basis von Trainingsdaten und Lernregeln passt das Netzwerk seine Verbindungen und Gewichtungen so an, bis es Ergebnisse in der gewünschten Form erzielt. Beim Training kann zwischen überwachtem und nicht überwachtem Training unterschieden werden. Überwachtes Training gibt konkrete Ergebnisse für die verschiedenen Eingabemöglichkeiten vor. Das neuronale Netz lernt anhand eines ständigen Soll-/Ist-Vergleichs zwischen den vorgegebenen und den selbst generierten Ergebnissen und passt die Neuronenverknüpfungen entsprechend an. Beim unbeaufsichtigten Lernen sind keine Ergebnisse vorgegeben. Das Lernen basiert auf Eingabeinformationen, identifizierten Mustern und Lernregeln wie die Hebbsche Lernregel.

Verschiedene Topologien und Strukturen neuronaler Netzwerke

Es existieren viele verschiedene Strukturen und Topologien neuronaler Netzwerke. Sie sind durch die Anzahl der Neuronenschichten und deren Verbindungsmöglichkeiten definiert. Grundsätzlich kann bei neuronalen Netzen zwischen Feedforward-Netzen und rekurrenten Netzen unterschieden werden. Feedforward-Netze sind durch ihren ausschließlich vorwärts gerichteten Informationsfluss gekennzeichnet. In rekurrenten Netzen können Informationen auch rückwärts fließen und Feedback-Schleifen durchlaufen. Es lassen sich sogenannte Feedback-Netze oder rückgekoppelte neuronale Netzwerke bilden.

Anwendungen neuronaler Netzwerke

Mittlerweile sind künstliche neuronale Netzwerke in vielen Anwendungsbereichen zu finden. Typische Anwendungen sind:

• Spracherkennung

• Bilderkennung

• Texterkennung

• Natural Language Processing (NLP)

• Simulationen und Prognosen

• Diagnostik

• digitale Assistenten

• Chatbots

• Steuerungsprozesse

• Zeitreihenanalysen

• maschinelle Übersetzungen

• Wirtschaftsmodelle

• Biometrie

(ID:48528269)