Definition Was ist ein Neuronales Netz?

Künstliche Neuronale Netze (KNN) sind inspiriert durch das menschliche Gehirn und lassen sich für maschinelles Lernen und die Künstliche Intelligenz einsetzen. Es lassen sich mit diesen Netzen verschiedene Problemstellungen computerbasiert lösen.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Sinequa

Das Künstliche Neuronale Netz (KNN) ist bis zu einem gewissen Grad dem Aufbau des biologischen Gehirns nachempfunden. Es besteht aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen. Das Neuronale Netz ist ein Forschungsgegenstand der Neuroinformatik und Teilgebiet der Künstlichen Intelligenz. Neuronale Netze müssen, bevor sie Problemstellungen lösen können, trainiert werden.

Aufbau eines Neuronalen Netzes

Stark vereinfacht kann der Aufbau und die Funktionsweise eines Neuronalen Netzes folgendermaßen beschrieben werden: Das abstrahierte Modell eines Neuronalen Netzes besteht aus Neuronen, auch Units oder Knoten genannt. Sie können Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben.

Grundsätzlich kann zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen unterschieden werden. Die Input-Neuronen nehmen Information in Form von Mustern oder Signalen von der Außenwelt auf. Die Hidden-Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden interne Informationsmuster ab. Output-Neuronen geben Informationen und Signale als Ergebnis an die Außenwelt weiter. Die verschiedenen Neuronen sind untereinander über die so genannten Kanten verbunden. Damit kann der Output eines Neurons zum Input des nächsten Neurons werden. Je nach Stärke und Bedeutung der Verbindung hat die Kante eine bestimmte Gewichtung. Je stärker die Gewichtung, desto größeren Einfluss kann ein Neuron über die Verbindung auf ein anderes Neuron ausüben.

Positive und negative Gewichtungen

Es existieren positive und negative Gewichtungen, die erregenden oder hemmenden Einfluss darstellen. Ist die Gewichtung Null, übt ein Neuron über die Verbindung keinen Einfluss auf das andere Neuron aus. Das Wissen und damit die Künstliche Intelligenz eines Neuronalen Netzes ist letztlich in den Verbindungen und deren Gewichtungen gespeichert. Die Anzahl der Neuronen und Neuronenschichten sowie der Verbindungsmöglichkeiten der Neuronen verschiedener Schichten bestimmt die Komplexität (die Tiefe) des Neuronalen Netzes und dessen Fähigkeit, Problemstellungen zu lösen.

Während des Trainings des Neuronalen Netzwerks, also dem Lernen, verändern sich die Gewichtungen der Verbindungen, abhängig von den angewandten Lernregeln und erzielten Ergebnissen. Die Anzahl von Neuronen in einem künstlichen Neuronalen Netz ist theoretisch unbegrenzt. Allerdings steigt mit der Anzahl der Neuronen sowie der vorhandenen Schichten und Verbindungen die benötigte Rechenleistung für das Trainieren und den Betrieb.

Typische Strukturen Neuronaler Netze

Neuronale Netze können eine Vielzahl verschiedener Strukturen besitzen, deren Beschreibung den Rahmen dieser Definition sprengen würde. Prinzipiell ist eine Unterscheidung in Feedforward-Netze und Rekurrente Netze möglich. In Feedforward-Netzen findet der Informationsfluss ausschließlich vorwärtsgerichtet von den Input-Neuronen über die Hidden-Neuronen zu den Output-Neuronen statt. In Rekurrenten Netzen existieren Verbindungen, bei denen Informationen bestimmte Neuronen-Verbindungen des Netzwerks rückwärts und anschließend erneut vorwärts durchlaufen können. Diese Netze werden auch als Feedback-Netze oder rückgekoppelte Neuronale Netze bezeichnet.

Typische Anwendungen für Neuronale Netzwerke

Neuronale Netze kommen in vielen Bereichen zum Einsatz. Sie sind prädestiniert für Anwendungen, bei denen nur geringes systematisches Lösungswissen vorliegt und eine große Menge von teils unpräzisen Eingabeinformationen zu einem konkreten Ergebnis verarbeitet werden müssen. Anwendungsbereiche sind beispielsweise die Spracherkennung oder die Bilderkennung. Neuronale Netze können zudem Simulationen und Prognosen für komplexe Systeme und Zusammenhänge erstellen wie in der Wettervorhersage, der medizinischen Diagnostik oder in Wirtschaftsprozessen. Typische Anwendungsgebiete der Künstlichen Intelligenz und Neuronaler Netze sind:

• Bilderkennung

• Spracherkennung

• Mustererkennung

• Sprachsynthese

• Schrifterkennung

• Steuerung komplexer Prozesse

• Prognosen für komplexe Systeme

• Frühwarnsysteme

• Zeitreihenanalysen

• maschinenbasiertes Übersetzen

• Simulationen komplexer Systeme

• biometrische Systeme

• Wirtschaftsmodelle

• und weitere

Training eines Neuronalen Netzwerks

Bevor ein Neuronales Netzwerk für die vorgesehen Problemstellung oder Aufgabe verwendbar ist, muss es zunächst trainiert werden. Anhand von vorgegebenem Lernmaterial und Lernregeln gewichtet das Neuronale Netz die Verbindungen der Neuronen, bis es eine bestimmte „Intelligenz“ entwickelt hat. Die Lernregeln geben vor, wie das Lernmaterial das Neuronale Netz verändert. Grundsätzlich kann zwischen dem überwachten Lernen und dem unüberwachten Lernen unterschieden werden. Beim überwachten Lernen wird ein konkretes Ergebnis für die unterschiedlichen Eingabemöglichkeiten vorgegeben. Anhand des ständigen Vergleichs zwischen Soll- und Ist-Ergebnis lernt das Netz die Neuronen passend zu verknüpfen.

Unbeaufsichtigte Lernen gibt kein Ergebnis vor. Der Lernvorgang basiert alleine auf den Informationen der vielen verschiedenen eingegebenen Muster. Das Neuronale Netz nimmt die Veränderungen nur anhand der Eingabemuster vor. Hierfür existieren verschiedene Lernregeln wie die adaptive Resonanztheorie oder die Hebbsche Lernregel.

(ID:45140541)