Aufbau und Beschreibung Neuronaler Netzwerke
|
|
- Ingeborg Scholz
- vor 7 Jahren
- Abrufe
Transkript
1 Aufbau und Beschreibung r 1
2 Inhalt Biologisches Vorbild Mathematisches Modell Grundmodelle 2
3 Biologisches Vorbild Das Neuron Grundkomponenten: Zellkörper (Soma) Zellkern (Nukleus) Dendriten Nervenfaser (Axon) Synapsen 3
4 Biologisches Vorbild Das Neuron Informationen können im Nervensystem durch zwei Arten von elektrochemischen Signalen weiter geleitet werden: durch lokale Potentiale und Aktionspotentiale (Lokale Potentiale sind passive Signale, die durch externe Stimulation der Membran, der Dendriten oder des Zellkörpers hervorgerufen wird, z.b. Sinnesrezeptoren auf der Netzhaut des Auges). Aktionspotentiale entstehen, wenn die Membran vom Ruhepotential ausgehend depolarisiert wird. Jede Zelle hat hier ihren eigenen Schwellenwert, der auch eine Funktion der Zeit sein kann. Wird dieser Zellenschwellwert überschritten, so kippt das Ruhepotential unweigerlich in ein positives Potential um, dessen Maximum bei ca. +30 mv liegt. Je intensiver ein Stimulus ist, um so größer ist erstens die Anzahl der Neuronen, in denen Impulse auftreten, und mit zunehmender Intensität steigt die Zahl der Nervenimpulse, die er auslöst. 4
5 Biologisches Vorbild Das Neuron Wenn die Reizintensität unter dem Schwellwert des Neurons bleibt, hat dies lediglich zur Folge, dass das Ruhepotential ansteigt. Steigt sie über den Schwellwert wird das Neuron eine Folge von Spikes feuern. (Als Spike wird das Aktionspotential bezeichnet, da es an eine Spitze erinnert). Wenn ein Aktionspotential seine Reise entlang des Axons hinter sich gebracht hat und die Endknöpfchen erreicht hat, muss die Information an das nächste Neuron weiter gegeben werden. Aber zwei Neuronen berühren sich niemals; zwischen ihnen besteht immer ein kleiner Spalt. Diese Anschlussstelle wird als Synapse bezeichnet. 5
6 Biologisches Vorbild Das Neuron Um den Spalt zu überbrücken und neurale Botschaften zum nächsten Neuron zu bringen, wird der elektrische Impuls in einen chemischen Prozess transformiert. Chemische Trägerstoffe transportieren ihn von einer Seite der Synapse, der präsynaptischen Membran des Endknöpfchens, über den Spalt an die postsynaptische Membran der Dendriten oder des Zellkörpers des nächsten Neurons. Dort kann er ein lokales Potential auslösen, das abermals entlang des Axons zur nächsten Synapse wandert, usw. Einige Synapsen sind exzitatorisch (erregend): Der Neurotransmitter veranlasst das postsynaptische Neuron, Impulse in einer höheren Rate zu generieren. Andere sind inhibitorisch (hemmend): Die Transmittersubstanz reduziert die Impulsrate oder verhindert neue Impulse in der postsynaptischen Zelle. 6
7 Mathematisches Modell Eingabe anderer Neuronen Propagierungsfunktion: Sie verarbeitet die Eingaben zur Netzeingabe (oft gewichtete Summe) f propg :{o j 1,, o j n } {w ij1,,w ij n } net i net i = f propg {o j1,,o jn,w ij 1,,w ijn } n net i = o j w ij j=1 Aktivierungsfunktion: Sie erzeugt aus der Netzeingabe und der alten Aktivierung die neue Aktivierung. a i t = f act net i t, a i t 1, θ i f act :net i t a i t 1 θ i a j t Ausgabefunktion: Sie erzeugt aus der Aktivierung die Ausgabe (oft Identität) f out : a i o i f out a i = a i, also a i = o i Ausgabe zu anderen Neuronen 7
8 Mathematisches Modell Definition Neuron: Ein künstliches Neuron ist ein Tupel (x, w, f_act, f_out, o) bestehend aus einem Eingabevektor x = (x1,..., xn), einem Gewichtsvektor w = (w1,..., wn), einer Aktivierungsfunktion f_act mit f_act: IRn x IRn ---> IR und einer Ausgabefunktion f_out, für die f_out: IR --> IR gilt. Dabei wird durch f_out ( f_act( x, w)) = o der Ausgabewert des Neurons erzeugt, der an die nachfolgenden Neuronen über die Axonkollaterale weitergeleitet wird. Definition s Netz: Ein s Netz ist ein Paar (N, V) mit einer Menge N von Neuronen und einer Menge V von Verbindungen. Es besitzt die Struktur eines gerichteten Graphen, für den die folgenden Einschränkungen und Zusätze gelten: Die Knoten des Graphen heißen Neuronen. Die Kanten heißen Verbindungen. Jedes Neuron kann eine beliebige Menge von Verbindungen empfangen, über die es seine Eingabe erhält. Jedes Neuron kann genau eine Ausgabe über eine beliebige Menge von Verbindungen aussenden. Das Netz erhält aus Verbindungen, die der "Außenwelt" entspringen, Eingaben und gibt seine Ausgaben über in der "Außenwelt" endende Verbindungen ab. 8
9 Mathematisches Modell Grundaufbau s Netzwerk : Gewichtete Verbindungen wds Schichten: 3 verschiedene Schichttypen x 1 x 2 o 1 Eingabeschicht (Input Layer) Neuronen dieser Schicht nehmen Informationen als Rezeptoren aus der Umgebung auf, geben diese über die Aktivation an das Netz weiter und haben keine Gewichtung (Eingabeunits). Vermittlungsschicht (Hidden Layer) Alle Schichten zwischen Ein- und Ausgabeschicht, auf deren Aktivation nicht unmittelbar zugegriffen werden kann. x 3 x n Input Layer k Hidden Layer Output Layer o m Ausgabeschicht (Output Layer) Diese Schicht macht die Ergebnisse als Aktoren des Netzes nach aussen hin sichtbar. Gewichtung wds (d = destination s = source) wds = 0 : keine Neuronenverbindung wds < 0 : hemmende Neuronenverbindung wds > 0 : anregende Neuronenverbindung 9
10 Mathematisches Modell Aktivierungsfunktion : Aktivierungs- und Ausgabefunktion können auch als Transferfunktion zusammengefasst werden. Der Schwellwert θ eines Neurons ist diesem genau zugeordnet und markiert die Stelle der größten Steigung der Aktivierungsfunktion. Die Aktivierungsfunktion eines Neurons verarbeitet den alten Aktivierungszustand ( also a( t 1) ), den aktuellen Aktivierungszustand ( a(t) ) und die Netzeingabe ( net(t) ). Die Aktivierung eines Neurons zu einem bestimmten Zeitpunkt hängt also davon ab, wie aktiviert es bereits war und welche Netzeingaben es von außen erhalten hat. 10
11 Mathematisches Modell Das Bias Neuron : Um die Arbeit mit einem neuronalen Netzwerk signifikant zu vereinfachen und den Schwellwert θ nicht immer explizit einzugeben und anpassen zu müssen, wird ein Bias Neuron hinzugefügt. Das Bias-Neuron ist ein zusätzliches Neuron in der Inputschicht, sowie in den Hiddenschichten. Es gibt keine Verbindung zu einem Bias-Neuron. Die Ausgabe jedes Bias-Neurons ist konstant 1. Da die Ausgangsgewichte der Bias-Neuronen ebenfalls durch die Lernregel modifiziert werden, entspricht das Bias einem variablen Schwellenwert. Anstatt der Schwellwertgleichung: 1 net i n = j =1 n o j w ij θ i 0 bzw. o j w ij j =1 θ i θ1 θ2 Nun gilt die vereinfachte Form mit variablen Schwellenwert: net i n 1 = j=1 o j w ij n 1 0 bzw. j=1 o j w ij 0 11
12 Grundmodelle Topologieübersicht : Netze Feed Forward Rückgekoppelt Vollständig Verbunden ShortCut Connections Direkt Indirekt Lateral 12
13 Grundmodelle Feed Forward Netze : Allgemein: i 1 i 2 Ein Feed Forward Netz besitzt klar abgetrennte Schichten von Neuronen: Eine Eingabeschicht, eine Ausgabeschicht und beliebig viele, von aussen nicht sichtbare Vermittlungsschichten. Verbindungen sind nur zu Neuronen der jeweils nächsten Schicht erlaubt. Feed Forward Netze in denen ein Neuron zu jeweils jedem Neuron der nächsten Schicht verbundene ist, nennt man auch vollverknüpft. h 1 h 2 h 3 Feed Forward Netz mit ShortCut Connections: o 1 o 2 Es gibt auch Feed Forward Netze, die Verbindungen zulassen, welche mehrere Ebenen überspringen. Aber auch hier gilt, dass diese Verbindungen dürfen ausschliesslich in Richtung der Ausgabeschicht zeigen. 13
14 Grundmodelle Rückgekoppelte Netze : Allgemein: i 1 i 2 h 1 h 2 h 3 o 1 o 2 Man spricht von einem rückgekoppelten Netz, wenn ein Neuron mit seinen Ausgaben in der Lage ist, sich auf direktem oder indirektem Wege selbst zu beeinflussen. Direkte Rückkopplung: Erweiterung einer gewichteten Verbindung vom Neuron zu sich selbst. Somit kann sich das Neuron selbst direkt hemmen oder bestärken. i 1 i 2 14 Indirekte Rückkopplung: Es sind gewichtete Verbindung entgegen der Richtung zur Ausgabeschicht erlaubt und ein Neuron kann sich so auf indirektem Wegen selbst beeinflussen, indem es das nachfolgende Neuron hemmt oder bestärkt und dieses zurückwirkt. h 1 h 2 h 3 o 1 o 2
15 Grundmodelle Rückgekoppelte Netze : i 1 i 2 Laterale Kopplung: h 1 h 2 h 3 Gewichtete Verbindungen von Neuronen innerhalb einer Ebene nennt man laterale Rückkopplung. Oft hemmt dann jedes Neuronen die anderen der Schicht und verstärkt sich selbst. Es wird dann nur das stärkste Neuron aktiv. (Winner takes ist all Prinzip) o 1 o 2 15
16 Grundmodelle Vollständig verbundene Netze : i 1 i 2 h 1 h 2 h 3 Vollständiger Verbund: Prinzipiell darf jedes Neuron mit jedem anderen Neuron des s verbunden werden. Diese Verbindungen müssen symmetrisch sein. Berühmtester Vertreter sind selbstorganisierende Karten. o 1 o 2 16
17 !!! Danke schön!!! 17
1. Kommunikation Informationsweiterleitung und -verarbeitung
1. Kommunikation Informationsweiterleitung und -verarbeitung Sinnesorgane, Nervenzellen, Rückenmark, Gehirn, Muskeln und Drüsen schaffen die Grundlage um Informationen aus der Umgebung aufnehmen, weiterleiten,
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrC1/4 - Modellierung und Simulation von Neuronen
C 1 /4 - Modellierung und Simulation von Neuronen April 25, 2013 Motivation Worum geht es? Motivation Worum geht es? Um Neuronen. Motivation Worum geht es? Um Neuronen. Da ist u.a. euer Gehirn draus Motivation
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
Mehr11. Neuronale Netze 1
11. Neuronale Netze 1 Einführung (1) Ein künstliches neuronales Netz ist vom Konzept her eine Realisierung von miteinander verschalteten Grundbausteinen, sogenannter Neuronen, welche in rudimentärer Form
MehrM 3. Informationsübermittlung im Körper. D i e N e r v e n z e l l e a l s B a s i s e i n h e i t. im Überblick
M 3 Informationsübermittlung im Körper D i e N e r v e n z e l l e a l s B a s i s e i n h e i t im Überblick Beabeablog 2010 N e r v e n z e l l e n ( = Neurone ) sind auf die Weiterleitung von Informationen
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
MehrRadiale-Basisfunktionen-Netze. Rudolf Kruse Neuronale Netze 120
Radiale-Basisfunktionen-Netze Rudolf Kruse Neuronale Netze 2 Radiale-Basisfunktionen-Netze Eigenschaften von Radiale-Basisfunktionen-Netzen (RBF-Netzen) RBF-Netze sind streng geschichtete, vorwärtsbetriebene
MehrNeuronale. Netze. Henrik Voigt. Neuronale. Netze in der Biologie Aufbau Funktion. Neuronale. Aufbau Netzarten und Topologien
in der Seminar Literaturarbeit und Präsentation 17.01.2019 in der Was können leisten und was nicht? Entschlüsseln von Texten??? Bilderkennung??? in der in der Quelle: justetf.com Quelle: zeit.de Spracherkennung???
Mehrpostsynaptische Potentiale graduierte Potentiale
postsynaptische Potentiale graduierte Potentiale Postsynaptische Potentiale veraendern graduierte Potentiale aund, wenn diese Aenderungen das Ruhepotential zum Schwellenpotential hin anheben, dann entsteht
MehrFacharbeit. Ratsgymnasium Bielefeld Schuljahr 2004/2005. aus dem Fach Biologie. Thema: Künstliche neuronale Netze
Ratsgymnasium Bielefeld Schuljahr 2004/2005 Facharbeit aus dem Fach Biologie Thema: Künstliche neuronale Netze Verfasser: Joa Ebert Leistungskurs: Biologie Kursleiter: Herr Bökamp Abgabetermin: 25.02.2005
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrUniversität Klagenfurt
Universität Klagenfurt Neuronale Netze Carmen Hafner Elisabeth Stefan Raphael Wigoutschnigg Seminar in Intelligent Management Models in Transportation und Logistics 623.900, WS 05 Univ.-Prof. Dr.-Ing.
MehrThema 3: Radiale Basisfunktionen und RBF- Netze
Proseminar: Machine Learning 10 Juli 2006 Thema 3: Radiale Basisfunktionen und RBF- Netze Barbara Rakitsch Zusammenfassung: Aufgabe dieses Vortrags war es, die Grundlagen der RBF-Netze darzustellen 1 Einführung
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
MehrErregungsübertragung an Synapsen. 1. Einleitung. 2. Schnelle synaptische Erregung. Biopsychologie WiSe Erregungsübertragung an Synapsen
Erregungsübertragung an Synapsen 1. Einleitung 2. Schnelle synaptische Übertragung 3. Schnelle synaptische Hemmung chemische 4. Desaktivierung der synaptischen Übertragung Synapsen 5. Rezeptoren 6. Langsame
MehrNeuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.
Neuronale Netze in der Phonetik: Grundlagen Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 24. Mai 2006 Inhalt Einführung Maschinelles Lernen Lernparadigmen Maschinelles
MehrProseminar Machine Learning. Neuronale Netze: mehrschichtige Perzeptrone. Christina Schmiedl Betreuer: Christian Spieth, Andreas Dräger
Proseminar Machine Learning Neuronale Netze: mehrschichtige Perzeptrone Christina Schmiedl Betreuer: Christian Spieth, Andreas Dräger 27.Mai 2006 Inhaltsverzeichnis 1 Biologische Motivation 2 2 Neuronale
MehrAllgemeine (Künstliche) Neuronale Netze. Rudolf Kruse Neuronale Netze 40
Allgemeine (Künstliche) Neuronale Netze Rudolf Kruse Neuronale Netze 40 Allgemeine Neuronale Netze Graphentheoretische Grundlagen Ein (gerichteter) Graph ist ein Tupel G = (V, E), bestehend aus einer (endlichen)
MehrPraktische Optimierung
Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze
MehrÜbung 6 Vorlesung Bio-Engineering Sommersemester Nervenzellen: Kapitel 4. 1
Bitte schreiben Sie Ihre Antworten direkt auf das Übungsblatt. Falls Sie mehr Platz brauchen verweisen Sie auf Zusatzblätter. Vergessen Sie Ihren Namen nicht! Abgabe der Übung bis spätestens 21. 04. 08-16:30
MehrAdaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1
Adaptive Systeme Prof. Rüdiger Brause WS 2013 Organisation Einführung in adaptive Systeme B-AS-1, M-AS-1 Vorlesung Dienstags 10-12 Uhr, SR11 Übungen Donnerstags 12-13 Uhr, SR 9 Adaptive Systeme M-AS-2
MehrEinführung in Neuronale Netze
Einführung in Neuronale Netze Thomas Ruland Contents 1 Das menschliche Gehirn - Höchstleistungen im täglichen Leben 2 2 Die Hardware 2 2.1 Das Neuron 2 2.2 Nachahmung in der Computertechnik: Das künstliche
MehrRekurrente / rückgekoppelte neuronale Netzwerke
Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion
MehrAufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung -
Aufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung - Fragen zur Vorlesung: Welche Zellen können im Nervensystem unterschieden werden? Aus welchen Teilstrukturen bestehen Neuronen? Welche
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrDas Ruhemembranpotential eines Neurons
Das Ruhemembranpotential eines Neurons Genaueres zu den 4 Faktoren: Faktor 1: Die so genannte Brown sche Molekularbewegung sorgt dafür, dass sich Ionen (so wie alle Materie!) ständig zufällig bewegen!
MehrNeuronale Netze. Tilo Buschmann 5. März 2003
Neuronale Netze Tilo Buschmann 5. März 2003 1 1 Grenzen herkömmlicher Programmiermethoden bisher kennen und benutzen wir nur herkömmliche Algorithmen hauptsächlich binär orientiert eingeschränkt in Programmiersprachen
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrBK07_Vorlesung Physiologie. 05. November 2012
BK07_Vorlesung Physiologie 05. November 2012 Stichpunkte zur Vorlesung 1 Aktionspotenziale = Spikes Im erregbaren Gewebe werden Informationen in Form von Aktions-potenzialen (Spikes) übertragen Aktionspotenziale
MehrPerzeptronen. Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Perzeptronen Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Perzeptronen 1 / 22 Gliederung 1 Schwellwert-Logik (MCCULLOCH-PITTS-Neuron)
MehrAbbildungen Schandry, 2006 Quelle: www.ich-bin-einradfahrer.de Abbildungen Schandry, 2006 Informationsvermittlung im Körper Pioniere der Neurowissenschaften: Santiago Ramón y Cajal (1852-1934) Camillo
MehrEin selbstmodellierendes System für die Wasserwirtschaft
Ein selbstmodellierendes System für die Wasserwirtschaft Dipl.-Ing. Dr. ANDRADE-LEAL Wien, im Juli 2001 1 Einleitung, Motivation und Voraussetzungen Künstliche Intelligenz Neuronale Netze Experte Systeme
MehrVom Reiz zum Aktionspotential. Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden?
Vom Reiz zum Aktionspotential Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden? Vom Reiz zum Aktionspotential Primäre Sinneszellen (u.a. in den Sinnesorganen) wandeln den
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
MehrExzitatorische (erregende) Synapsen
Exzitatorische (erregende) Synapsen Exzitatorische Neurotransmitter z.b. Glutamat Öffnung von Na+/K+ Kanälen Membran- Potential (mv) -70 Graduierte Depolarisation der subsynaptischen Membran = Erregendes
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
Mehr6 Neuronale Modellierung: Der STAA-Ansatz
Bernd J. Kröger: Neuronale Sprachverarbeitung (Version 1.0.4) Seite 150 6 Neuronale Modellierung: Der STAA-Ansatz 6.1 Knoten: die STAA-Neuronensembles 6.1.1 Aktivierungslevel, Aktivierungsfunktion und
MehrNeuronale Signalverarbeitung
neuronale Signalverarbeitung Institut für Angewandte Mathematik WWU Münster Abschlusspräsentation am 08.07.2008 Übersicht Aufbau einer Nervenzelle Funktionsprinzip einer Nervenzelle Empfang einer Erregung
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrNeuroinformatik. Übung 1
Neuroinformatik Übung 1 Fabian Bürger Raum: BC419, Tel.: 0203-379 - 3124, E-Mail: fabian.buerger@uni-due.de Fabian Bürger (fabian.buerger@uni-due.de) Neuroinformatik: Übung 1 1 / 27 Organisatorisches Neuroinformatik:
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrNatürliche und künstliche neuronale Netze
Kapitel 2 Natürliche und künstliche neuronale Netze 2.1 Informationsverarbeitung im Gehirn In diesem Abschnitt soll ein sehr knapper und durchaus unvollständiger Überblick gegeben werden, um den Bezug
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de April 18, 2018 Elektrische Ersatzschaltkreise und Messmethoden Wiederholung: Membranpotential Exkursion in die
MehrNeuronale Netzwerke. Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp. Betreuer: Michael Wilczek. 7. Februar 2011
Neuronale Netzwerke Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp Betreuer: Michael Wilczek 7. Februar 2011 1 Wiederholung 2 Modell 3 spikeabhängige Plastizität 4 Anwendung 5 Literatur Biologischer
MehrPraktikum Simulationstechnik Rene Schneider, Benjamin Zaiser
Praktikum Simulationstechnik Rene Schneider, Benjamin Zaiser 11.11.2008 CSM Master: Praktikum Simulationstechnik, rs034, bz003 2 Befehlsübersicht Begriffsdefinition / Neuronale Netze: / / 11.11.2008 CSM
MehrPassive und aktive elektrische Membraneigenschaften
Aktionspotential Passive und aktive elektrische Membraneigenschaften V m (mv) 20 Overshoot Aktionspotential (Spike) V m Membran potential 0-20 -40 Anstiegsphase (Depolarisation) aktive Antwort t (ms) Repolarisation
Mehr10. Neuronale Netze 1
10. Neuronale Netze 1 Einführung (1) Ein künstliches neuronales Netz ist vom Konzept her eine Realisierung von miteinander verschalteten Grundbausteinen, sogenannter Neuronen, welche in rudimentärer Form
MehrNeuroinformatik II. Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik
Neuroinformatik II Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik Vorlesung (3h) Übungen (1h): Di, Fr 10-12 Uhr H21 (1.Übung: 08.05.09) Schein: 50% der Punkte (6 übungsblätter) + aktive
MehrEinführung in. Neuronale Netze
Grundlagen Neuronale Netze Einführung in Neuronale Netze Grundlagen Neuronale Netze Zusammengestellt aus: Universität Münster: Multimediales Skript Internetpräsentation der MFH Iserlohn (000) U. Winkler:
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrEinführung in die Neuroinformatik Lösungen zum 5. Aufgabenblatt
Einführung in die Neuroinformatik Lösungen zum 5. Aufgabenblatt 7. Aufgabe : Summe {} Man sieht leicht ein, dass ein einzelnes Perzeptron mit Gewichten c, c 2, c 3 und Schwelle θ das Problem nicht lösen
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training eines Künstlich Neuronalen Netzes (KNN) zur Approximation einer Kennlinie in JavaNNS 28.01.2008
MehrReizleitung in Nervenzellen. Nervenzelle unter einem Rasterelektronenmikroskop
Reizleitung in Nervenzellen Nervenzelle unter einem Rasterelektronenmikroskop Gliederung: 1. Aufbau von Nervenzellen 2. Das Ruhepotential 3. Das Aktionspotential 4. Das Membranpotential 5. Reizweiterleitung
MehrTopologische Objektrepräsentationen und zeitliche Korrelation
Topologische Objektrepräsentationen und zeitliche Korrelation Frank Michler Fachbereich Physik, AG NeuroPhysik Outline 1 2 Stimuli -Neuron und Architektur Lernregel 3 Selektivitäts-Karten Invariante Repräsentation
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrInhaltsfeld: IF 4: Neurobiologie
Unterrichtsvorhaben IV: Thema/Kontext: Molekulare und zellbiologische Grundlagen der neuronalen Informationsverarbeitung Wie ist das Nervensystem Menschen aufgebaut und wie ist organisiert? Inhaltsfeld:
MehrEinführung in Neuronale Netze
Wintersemester 2005/2006 VO 181.138 Einführung in die Artificial Intelligence Einführung in Neuronale Netze Oliver Frölich Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme
MehrHopfield-Netze. Rudolf Kruse Neuronale Netze 192
Hopfield-Netze Rudolf Kruse Neuronale Netze 192 Hopfield-Netze Ein Hopfield-Netz ist ein neuronales Netz mit einem Graphen G = (U, C), das die folgenden Bedingungen erfüllt: (i)u hidden =,U in =U out =U,
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrModul MED-CNS008: Grundlagen der Modellierung neuronaler Systeme. VL4, , Uhr, PC-Pool, IMSID, Bachstr.18, Gebäude 1
Modul MED-CNS008: Grundlagen der Modellierung neuronaler Systeme VL4, 11.5.2012, 10.00 Uhr, PC-Pool, IMSID, Bachstr.18, Gebäude 1 Lehrender: Dirk Hoyer, dirk.hoyer@med.uni-jena.de, Tel. 9325795 2.2 Rückgekoppelte
MehrNeuronale Netze in der Phonetik: Feed-Forward Netze. Pfitzinger, Reichel IPSK, LMU München {hpt 14.
Neuronale Netze in der Phonetik: Feed-Forward Netze Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 14. Juli 2006 Inhalt Typisierung nach Aktivierungsfunktion Lernen in einschichtigen
MehrNeuroinformatik II Theorie neuronaler Netze
Neuroinformati II Theorie neuronaler Netze Günther Palm und Friedhelm Schwener Institut für Neuroinformati Vorlesung (3h) Übungen (1h): Di 12.00-13.30 und Fr 10.15-11.45 Uhr H21 (1.Übung: 7.5.) Schein:
MehrÜbertragung zwischen einzelnen Nervenzellen: Synapsen
Übertragung zwischen einzelnen Nervenzellen: Synapsen Kontaktpunkt zwischen zwei Nervenzellen oder zwischen Nervenzelle und Zielzelle (z.b. Muskelfaser) Synapse besteht aus präsynaptischen Anteil (sendendes
MehrZentrales Nervensystem
Zentrales Nervensystem Funktionelle Neuroanatomie (Struktur und Aufbau des Nervensystems) Neurophysiologie (Ruhe- und Aktionspotenial, synaptische Übertragung) Fakten und Zahlen (funktionelle Auswirkungen)
MehrProseminar Neuronale Netze Frühjahr 2004
Proseminar Neuronale Netze Frühjahr 2004 Titel: Perzeptron Autor: Julia Grebneva, jg7@informatik.uni-ulm.de Einleitung In vielen Gebieten der Wirtschaft und Forschung, stellen sich oftmals Probleme, die
MehrPeter Walla. Die Hauptstrukturen des Gehirns
Die Hauptstrukturen des Gehirns Die Hauptstrukturen des Gehirns Biologische Psychologie I Kapitel 4 Nervenleitung und synaptische Übertragung Nervenleitung und synaptische Übertragung Wie werden Nervensignale
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrNeuronale Netze (Konnektionismus)
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Daniel Göhring Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrNeuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze.
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung (Konnektionismus) sind biologisch motiviert können diskrete, reell-wertige und Vektor-wertige Funktionen berechnen Informationsspeicherung
MehrKlassifikation linear separierbarer Probleme
Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
Mehr7.1. Die Rückenmarknerven (Die Spinalnerven): Siehe Bild Nervenbahnen
7. Das periphere Nervensystem: 7.1. Die Rückenmarknerven (Die Spinalnerven): Siehe Bild Nervenbahnen 7.2. Die Hirnnerven: Sie stammen aus verschiedenen Zentren im Gehirn. I - XII (Parasympathikus: 3,7,9,10)
Mehr1 Bau von Nervenzellen
Neurophysiologie 1 Bau von Nervenzellen Die funktionelle Einheit des Nervensystems bezeichnet man als Nervenzelle. Dendrit Zellkörper = Soma Zelllkern Axon Ranvier scher Schnürring Schwann sche Hüllzelle
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrNeuronale Netze. 11.Januar.2002
Neuronale Netze Stefan Otto Matrikelnummer: 301127 Studiengang: Informatik ProSeminar WS 2001/2002 Institut für Informatik Technische Universität Clausthal 11.Januar.2002 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis
MehrKlassifikationsverfahren und Neuronale Netze
Klassifikationsverfahren und Neuronale Netze Hauptseminar - Methoden der experimentellen Teilchenphysik Thomas Keck 9.12.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrMartin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrWas sind Neuronale Netze?
Neuronale Netze Universität zu Köln SS 2010 Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Referenten: Aida Moradi, Anne Fleischer Datum: 23. 06. 2010 Was sind Neuronale Netze? ein Netzwerk
MehrLernverfahren von Künstlichen Neuronalen Netzwerken
Lernverfahren von Künstlichen Neuronalen Netzwerken Untersuchung und Vergleich der bekanntesten Lernverfahren und eine Übersicht über Anwendung und Forschung im Bereich der künstlichen neuronalen Netzen.
MehrSelbstorganisierende Karten
Selbstorganisierende Karten (engl. Self-Organizing Maps (SOMs)) Rudolf Kruse Neuronale Netze 169 Selbstorganisierende Karten Eine selbstorganisierende Karte oder Kohonen-Merkmalskarte ist ein neuronales
MehrNeuronale Netze. Prof. Dr. Rudolf Kruse
Neuronale Netze Prof. Dr. Rudolf Kruse Computational Intelligence Institut für Intelligente Kooperierende Systeme Fakultät für Informatik rudolf.kruse@ovgu.de Rudolf Kruse, Alexander Dockhorn Neuronale
MehrNanostrukturphysik II Michael Penth
16.07.13 Nanostrukturphysik II Michael Penth Ladungstransport essentiell für Funktionalität jeder Zelle [b] [a] [j] de.academic.ru esys.org giantshoulders.wordpress.com [f] 2 Mechanismen des Ionentransports
MehrEinführung in die Methoden der Künstlichen Intelligenz
www.is.cs.uni-fra ankfurt.de Einführung in die Methoden der Künstlichen Intelligenz Vorlesung 7 Künstliche Neuronale Netze 2. Mai 2009 Andreas D. Lattner, Ingo J. Timm, René Schumann? Aldebaran Robotics
MehrInhaltsfeld: IF 4: Neurobiologie
Unterrichtsvorhaben IV (Grundkurs): Thema/Kontext: Molekulare und zellbiologische Grundlagen der Informationsverarbeitung und Wahrnehmung Wie wird aus einer durch einen Reiz ausgelösten Erregung eine Wahrnehmung?
MehrTechnische Universität. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik VI Selbstorganisierende Karten Seminar Kognitive Robotik (SS12) Thomas Hoffmann Betreuer: Dr. Florian Röhrbein
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Dr. Caroline Geisler geisler@lmu.de April 11, 2018 Veranstaltungszeiten und -räume Mittwoch 13:00-14:30 G00.031 Vorlesung Mittwoch 15:00-16:30
MehrComputational Intelligence 1 / 31. Computational Intelligence Künstliche Neuronale Netze Geschichte 3 / 31
1 / 31 Gliederung 1 Künstliche Neuronale Netze Geschichte Natürliches Neuron Künstliches Neuron Typen von Neuronen Geschichte Künstliche Neuronale Netze Geschichte 3 / 31 1943 Warren McCulloch (Neurologe),
MehrKünstliche Neuronale Netze
Andreas Scherer Überarbeitung: Hermann Helbig, Wolfram Schiffmann Kurs 01834 Künstliche Neuronale Netze LESEPROBE Das Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere das
MehrDas Neuron (= Die Nervenzelle)
Das Neuron (= Die Nervenzelle) Die Aufgabe des Neurons besteht in der Aufnahme, Weiterleitung und Übertragung von Signalen. Ein Neuron besitzt immer eine Verbindung zu einer anderen Nervenzelle oder einer
MehrVorlesung Einführung in die Biopsychologie. Kapitel 4: Nervenleitung und synaptische Übertragung
Vorlesung Einführung in die Biopsychologie Kapitel 4: Nervenleitung und synaptische Übertragung Prof. Dr. Udo Rudolph SoSe 2018 Technische Universität Chemnitz Grundlage bisher: Dieser Teil nun: Struktur
MehrGrundlagen Künstlicher Neuronaler Netze
FernUniversität in Hagen Fachbereich Elektrotechnik und Informationstechnik Lehrgebiet Informationstechnik Seminar Computational Intelligence in der Prozessautomatisierung 7. Juli 2003 Grundlagen Künstlicher
MehrBMT301. Grundlagen der Medizinischen Messtechnik. Ergänzende Folien EF2. Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss
BMT301 Grundlagen der Medizinischen Messtechnik Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss Ergänzende Folien EF2 die Hauptbestandteile einer Nervenzelle Aufbau einer Zellmembran Dicke einer Zellmembran:
MehrStrukturen für neuronale Netze in der Tageslicht-/ Kunstlichtregelung. 1 Vom biologischen zum künstlichen neuronalen Netz
Strukturen für neuronale Netze in der Tageslicht-/ Kunstlichtregelung - zur Veröffentlichung bei LuxJunior 2003 - Krzyzanowski, J., Rosemann, A., Kaase, H. Technische Universität Berlin Fachgebiet Lichttechnik,
MehrNervengewebe. Neurone. Gliazellen. - eigentliche Nervenzellen - Sinneszellen. -ZNS-Glia -PNS-Glia
Nervengewebe Neurone Gliazellen - eigentliche Nervenzellen - Sinneszellen -ZNS-Glia -PNS-Glia Neurone: Formen und Vorkommen apolar: Sinneszellen - Innenohr, Geschmacksknospen unipolar: Sinneszellen - Retina,
Mehr