9. Vorlesung Neuronale Netze
|
|
- August Sachs
- vor 6 Jahren
- Abrufe
Transkript
1 Soft Control (AT 3, RMA) 9. Vorlesung Neuronale Netze Anwendungen in der AT
2 9. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI) Anwendung: Expertensysteme 3. Fuzzy-Systeme: Umgang mit unscharfem Wissen Anwendung: Fuzzy-Control 4. Konnektionistische Systeme: Neuronale Netze Anwendung: Identifikation und neuronale Regler 1. Grundlagen 2. Lernverfahren 3. Anwendungen n der Automatisierungstechnik 5. Stochastische Optimierung (Genetische Algorithmen, Simulated Annealing, Differential Evolution) Anwendung: Optimierung 6. Zusammenfassung & Literaturhinweise 234
3 Inhalt der 9. Vorlesung Modellierung von Systemen mit NN Vorbemerkungen direktes Modell inverses Modell Anwendung Regelung virtuelle Sensoren Bewertung NN Vergleich NN und Fuzzy Mögliche Kombinationen Anwendungsbeispiel: Lastkurvenprognose 235
4 Vorbemerkungen Neuronale Netze können beliebige nichtlineare Zusammenhänge zwischen mehreren Eingangs- und Ausgangsgrößen modellieren Reine Feed-Forward Netze können aber nur statische Zusammenhänge abbilden Lösung 1: Rekurrente Netze - Training ist schwieriger Lösung 2: Externe Rückkopplungen d.h. Verarbeitung von Vergangenheitswerten + einfache Lernalgorithmen wie Backpropagation können verwendet werden - Die Anzahl der Vergangenheitswerte muss festgelegt werden Idee zur Identifikation mit Vergangenheitswerten: Diskretes Modell 236
5 Bildung eines Streckenmodells Ziel: Modellierung der Strecke Netz bildet die Funktion y k = f(u k-1, y k-1 ) Bei Systemen höherer Ordnung: y k = f(u k-1,u k-2,...,y k-1,y k-2,...) Eingabe: Aktuelle und vergangene Werte des Streckeneingangs u vergangene Werte des Streckenausgangs y Ausgabe: Aktueller Streckenausgang y k Beispiel 237
6 Bildung eines inversen Streckenmodells Ziel: Modellierung der inversen Strecke Netz bildet die Funktion u k-1 = f(y k, y k-1 ) bzw. u k-1 = f( y k,y k-1,y k-2,... u k-2,u k-3,... ) Eingabe: Aktuelle und vergangene Werte des Streckenausgangs y vergangene Werte des Streckeneingangs u Ausgabe: Aktueller Streckeneingang u k-1 Beispiel 238
7 Einsatz des direkten Streckenmodells Schätzung von online nicht messbaren Zustandsgrößen für die Verwendung in einem Regler (virtueller Sensor, Beobachter) w u y m Regler Strecke - NN Modell y y NN Verknüpfung 239
8 Einsatz des inversen Modells (idealisiert) Bei idealem inversen Modell ist eine Steuerung möglich w u y inverses NN Modell Strecke Aber: Modell wird nicht ideal sein Es treten Störungen auf 240
9 Einsatz des inversen Modells (real) Einsatz eines Reglers zur Ausregelung von Störungen und zum Ausgleich der Modellfehler w - Lin. Regler inverses NN Modell u Strecke y 241
10 Zusammenfassung Anwendung von NN in der AT Neben den klassischen Aufgaben wie Mustererkennung, Klassifikation,... können NN auch für die Kernaufgaben in der AT eingesetzt werden Beobachter bzw. virtueller Sensor Regler (in Kombination mit konventionellen Reglern) Kombinationen sind möglich Neben den gezeigten Grundideen existieren viele weitere Strukturen 242
11 Bewertung NN Neuronale Netze können auf Basis von Daten trainiert werden keine Modellierung der Prozesse erforderlich Erfolgreiche Anwendungen zeigen das Potenzial der Methode Das Wissen ist in der Struktur des NN kodiert Eine Überprüfung, Interpretation der errechneten Ausgaben ist praktisch nicht möglich (Akzeptanzprobleme!) Training von NN ist aufwendig Beschaffung von guten Daten kann problematisch sein Zur Festlegung der Strukturparameter Anzahl der versteckten Schichten Anzahl der Neuronen in den versteckten Schichten Art der Vernetzung Art der verwendeten Aktivierungsfunktionen Einstellung der Lernparameter und Abbruchkriterien existieren bestenfalls Heuristiken 243
12 Gegenüberstellung NN vs. Fuzzy Klassische Methodik Fuzzy Control Neuronale Netze Neuro-Fuzzy + vertieftes Prozessverständnis aufgrund der Prozessanalyse, + i.d.r. sehr gute Regelungsergebnisse, optimale Lösungen möglich + Stabilitätsnachweise möglich + umgangssprachliche, allgemeinverständliche Formulierung der Algorithmen, + einfache Erweiterbarkeit der Regelbasis + Integration des Wissens mehrerer Know-How-Träger möglich + lernfähig und anpassbar an sehr komplexe dynamische Prozesse, + Nachtrainieren bei Änderungen im Prozess ist möglich + wie bei Neuronalem Netz, aber + bessere Interpretierbarkeit des Wissens, + Wissen kann durch Lernen sukzessive ergänzt werden - Vorgehensweise bei komplexen Prozessen sehr aufwendig und teuer - Regelungsspezialisten zur Erstellung der Algorithmen und zu deren Änderung nötig - wenig Standardwerkzeuge zur Realisierung auf Standardhardware, z.b. SPS - u.u. schwierige Wissenserwerbsphase - Optimierungsphase z.t. langwierig - ungewohnte Denkweise - u.u. lange Rechenzeiten beim Trainieren, - sehr viele konkurrierende Netzstrukturen, - keine Extrapolationsmöglichkeit, d.h. gute Ergebnisse nur bei Eingangsdaten im Bereich der Trainingsdaten - Wissen im Netz kaum interpretierbar - z.t. sehr lange Rechenzeiten, - unsichere Konvergenz 244
13 Ansätze zur Kombination von NN und Fuzzy (A) Kooperative Neuro-Fuzzy-Systeme: Fuzzy-Systeme, die durch Neuronale Netze trainiert werden. Ein nachgeschaltetes Neuronales Netz kann z.b. lernen wie weit man einer Regel bei bestimmten Situationen vertrauen kann. (B) Regelbasiertes Training eines normalen Neuronalen Netzes (C) Hybride Neuro-Fuzzy-Systeme: normale neuronale Netze, die Fuzzy-Neuronen (z.b. min-/max-neuronen) und Fuzzy-Gewichte benutzen. Die Struktur des Fuzzy-Systems lässt sich in der Netztopologie wieder erkennen. (D) Neuronale Netze die mit Fuzzy-Lernmethoden trainiert werden. Es werden die Veränderungen der Gewichte zwischen den Neuronen bei jedem Lernschritt durch ein Fuzzy-System berechnet. (E) topologische Konfiguration eines Neuronalen Netzes, mit mehr oder (F) weniger komplexen Fuzzy-Systemen als Neuronen. Ein Mix aus klassischen Experten-Systemen und einem der obigen Ansätze. Wichtig sind die Ansätze A und B und C. Die anderen Klassen sind nicht so weit verbreitet. 245
14 Kooperierende Neuro-Fuzzy-Systeme (2 von vielen Ansätzen) Fein-Tuning eines Fuzzy-Controllers durch NN Einem Fuzzy-Controller wird ein NN nachgeschaltet Die Ausgaben des Fuzzy Systems werden sofort durch das Neuronale Netz nachbearbeitet. So kann man auf einem vorhandenen Basiswissen aufbauend (steckt im Fuzzy-System) ein nicht lineares System konstruieren, das sich dennoch an eine speziellere Gegebenheiten anpassen kann, die nicht durch das Basiswissen abgedeckt werden. Dieses Fein-Tunen der Ausgabe übernimmt das Neuronale Netz. Welches Tuning bei welcher Eingabe erforderlich ist kann das Netz lernen. Das Fuzzy System muss keine defuzzyfizierte Ausgabe liefern, auch das kann das Neuronale Netz erledigen. Vorverarbeitung der Eingangswerte eines Fuzzy-Controllers durch NN Einem Fuzzy-Controller wird ein NN vorgeschaltet Die Ausgaben des NN werden sofort durch den Fuzzy-Controller weiter bearbeitet. So werden Veränderungen in den Eingabedaten, die nicht mehr durch das Fuzzy-System verarbeitet werden können, vorher vom Neuronelen Netz ausgeglichen. 246
15 Regelbasiertes Training eines NN NN können nur auf Basis von numerischen Daten trainiert werden Oft ist aber ein grobes Vorwissen über den Prozess in Form von Fuzzy- Regeln vorhanden Lösung: Abbildung der linguistischen Regeln (qualitativ) auf entsprechende Trainingsdatensätze (quantitativ) Die linguistischen Terme werden auf Zahlen abgebildet (entsprechend der jeweiligen ZGF) Die Regeln werden dann durch die entsprechenden Werte beschrieben Beim Training interpoliert das Netz zwischen den Werten Beispiel: Drei Variablen X1, X2 und Y mit Werten Klein Mittel Groß im Bereich [0, 1] werden mit der Vorschrift (Klein = 0; Mittel = 0,5; Groß = 1) auf Zahlen abgebildet Die Regel wenn X1=Klein Und X2 = Groß dann Y = Groß Ergibt einen Datensatz X = (0, 1); T = 1 247
16 Hybride Neuro-Fuzzy-Systeme Abbildung eines Fuzzy-Controllers auf ein Neuronales Netz Beispiel: 1. Schicht: Input-Fuzzy-Sets 2. Schicht: Berechnung der Erfüllungsgrade der Regeln 3. Schicht: Output-Fuzzy-Sets 4. Schicht: Defuzzyfizierung Andere Varianten legen die Fuzzy-Sets in die Gewichte Training mit Daten Interpretation der gelernten Gewichte als Regeln (Gewichte zwischen Schicht 1 und 2 bzw. zwischen 2 und 3) 248
17 Hybride Neuro-Fuzzy-Systeme (Beispiel) x 1 x 2 249
18 Bsp.: Lastkurven-Prognose in elektrischen Energieversorgungsnetzen Anwendungsbeispiel Lastprognose mit KNN Motivation Lastkurven-Analyse Prognose mit künstlichen neuronalen Netzen (KNN) Wavelettransformation Bewertung der Ergebnisse Zusammenfassung 250
19 Motivation Aufbau eines elektrischen Energieversorgungsnetzes Steuerung An/Aus deterministisch, bekannt nicht deterministisch, nur Vergangenheit bekannt Kraftwerke P I Netz (geringe Speicherkapazität) P O Verbraucher 251
20 Motivation Lastkurven-Prognose spielt eine große Rolle im Betrieb von Energieversorgungsnetzen Energieerzeugung soll kosteneffizient sein Elektrische Energie ist schwierig zu speichern Es sollte zu jedem Zeitpunkt nur soviel elektrische Energie erzeugt werden wie auch benötigt wird P I =P O Daher benötigt man auf aufgezeichneten Verbrauchsprofilen basierende Prognose Unterprognose führt zum nicht ausreichenden Vorhalten von Reservekapazität Überprognose verursacht unnötige Reservekapazität 252
21 Lastkurven-Analyse MW Netzlast vom bis (als drei einzelne Wochen) in der Regelzone RWE-Transportnetz-Strom 1. Von Montag bis Sonntag jeweils von 0 Uhr bis 24 Uhr 2. Angegeben sind 15-Minuten-Mittelwerte 3. 4*24=96 Messpunkte pro Tag; 96*7=672 Messpunkte pro Woche 253
22 Prognose mit künstlichen neuronalen Netzen (KNN) Prognose-Ablauf Lastkurven-Normierung Prognose Grundidee KNN-Definition Struktur, Eingangsvektor, Ausgangsvektor, Aktivierungsfunktion KNN-Training ( mit einer ganzen Woche (hier Woche 1)) Backpropagation-Algorithmus Lernrate KNN-Anwendung (mit Woche 2 oder 3) Ergebnis-Entnormierung L( k 1, k 2,... k 8) Lk ( 4) KNN Modell 254
23 Prognose mit künstlichen neuronalen Netzen (KNN) MW Lastkurven-Normierung 255
24 Prognose mit künstlichen neuronalen Netzen (KNN) Drei-Schichten-Feed-Forward-Struktur L k1 L k 2... L k8 p a Last in einer Stunde L k 4 Lastverlauf der letzten beiden Stunden Lk ( 4) L( k 1, k 2,... k 8) KNN Modell Prognose-Grundidee 256
25 Prognose mit künstlichen neuronalen Netzen (KNN) Vier-Schritt-Prognose-Ergebnis Training des KNN mit Woche1 Zielvektor(SimT): Lastkurve Woche3 Ausgangvektor(Y): Prognose von Woche3 257
26 Prognose mit künstlichen neuronalen Netzen (KNN) Relativer Fehler An vielen Stellen ist der relative Fehler größer als 10% Die Genauigkeit muss verbessert werden Idee: Einbau von Wavelettransformation 258
27 Wavelettransformation Entwicklung der Wavelettransformation Fouriertransformation Transformation von Zeit- in Frequenzbereich f t F f Short-Time-Fouriertransformation zusätzliche Information welche Frequenz in welchem Zeitraum auftritt 1 Kontinuierliche Wavelettranformstion Transformation von Zeit in Frequenz-und Zeitbereich Diskrete Wavelettransformation (DWT) Realisierung in Computer tt 1 2 f t F f, F f,..., f t F f t0 tt tt A Trous-Algorithmus der Wavelettransformation Verschiebungsinvariant gleiche Dantenlänge in den verschiedenen Frequenzanteilen geeignet für Echtzeitsysteme 259
28 Diskrete Wavelettransformation (DWT) (Implementierung) Analyse eines Signals HP TP Hochpassfilter Tiefpassfilter 2 Downsampling x d1 a1 d2 a2 d3 a3 Abtastpunkte N N/2 N/2 N/4 N/4 N/8 N/8 Frequenzgang f<f s /2 f s /4<f<f s /2 f<f s /4 f s /8<f<f s /4 f<f s /8 f s /16<f<f s /8 f<f s /16 260
29 Diskrete Wavelettransformation (DWT) Beispiel 261
30 Diskrete Wavelettransformation (DWT) Synthese eines Signals Upsampling 262
31 Diskretewavelettransformation (DWT) Anforderung der DWT bei der Analyse des Echtzeitsystems Lokalierung von Zeitpunkten in den verschiedenen Skalierungen Verschiebungsinvarianz des Systems Originalkurve Verschieben Wavelettransformation Wavelettransformation Koeffizenten verschieben Waveletkoeffizienten Waveletkoeffizienten 263
32 Á-Trous-Algorithmus der Wavelettransformation Eigenschaften des Á-Trous-Algorithmus Verschiebungsinvarianz gleiche Datenlänge aller Waveletkoeffizienten der verschiedenen Skalierungen a3 d3 g[n] : Tiefpassfilter d2 h[n] : Hochpassfilter d1 264
33 Wavelettransformation Beispiel des A-Trous-Algorithmus Lastkurve Woche1 wird in 4 Schichten aufgespalten a4: Approximations-Signal; d4,d3,d2,d1: Detail-Signale a4 besitzt die größte Amplitude und die niedrigste Frequenz d1 besitzt die kleinste Amplitude und die größte Frequenz 265
34 Prognose : KNN + A-Trous Prognose-Ablauf mit KNN und A-Trous Für jedes aufgespaltene Signal wird ein KNN Modell aufgebaut Je mehr Schichten, desto höher die Genauigkeit der Synthese-Lastkurve d1 wird für die Prognose als Rauschen betrachtet und vernachlässigt. a4 neta4 d4 netd4 Aufgezeichnete Lastkurven Ã-Trous Wavelet d3 netd3 Wavelet Rücktransformation Prognostizierte Lastkurve d2 netd2 d1 netd1 266
35 Prognose : ANN + A Trous Vier-Schritt-Prognose-Ergebnis Training mit Woche1 Zielvektor(SimT): Lastkurve Woche3 Ausgangvektor(Y): Prognose von Woche3 267
36 Prognose : ANN + A-Trous Relativer Fehler An den meißten Stellen ist der relative Fehler kleiner als 2% Der Fehler ist nie größer als 6% Im Vergleich zum KNN ohne A-Trous ist die Genauigkeit deutlich verbessert 268
37 Zusammenfassung und Lernkontrolle zur 9. Vorlesung Grundlegende Anwendungen von NN in der AT kennen Modellformen bei der Identifikation und deren Ziel direkt invers Neuronale Netze mit anderen Ansätzen (speziell Fuzzy) vergleichen können Daraus Gründe für Neuro-Fuzzy ableiten Mögliche Arten der Kombination von NN mit Fuzzy kennen und deren Grundidee erläutern können Einsatz von neuronalen Netzen zur Prognose wurde gezeigt Neuronale Netze isoliert angewendet bringen keine zufrieden stellenden Ergebnisse bei der Lastkurvenprognose Durch Kombination mit Wavelet-Transformation konnten Ergebnisse deutlich verbessert werden 269
7. 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
Mehr5. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 5. Vorlesung Fuzzy Systeme Fuzzy Control 5. Vorlesung im Aufbau der Vorlesung. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrDuale Regelungstechnik
Prof. Dr.-lng. Serge Zacher Duale Regelungstechnik Methoden und Werkzeuge der lnformationstechnologie für die Regelungstechnik mit Prozessrechnern VDE VERLAG GMBH Inhalt 1 1.1 1.2 1.3 1.4 1.4.1 1.4.2 1.4.3
Mehr1. Vorlesung Gliederung und Einführung
Soft Control (AT 3, RMA) 1. Vorlesung Gliederung und Einführung Inhalt der Vorlesung Rechnergestützte Methoden in der Automatisierungstechnik Expertensysteme Anwendung: Diagnose Fuzzy-Systeme Anwendung:
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrEinsatz neuronaler Netze zur Kompensation von Kommunikationsausfällen im Speicherbetrieb
Professur für Elektrische Energieversorgungsnetze Fakultät für Elektrotechnik und Informationstechnik Technische Universität München Einsatz neuronaler Netze zur Kompensation von Kommunikationsausfällen
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
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
MehrInhalt. Mehr Informationen zum Titel
Mehr Informationen zum Titel Inhalt 1 Einführung 15 1.1 Aufgaben der Regelungstechnik... 15 1.2 Steuern oder Regeln?... 15 1.3 Regelkreise im Wirkungsplan... 20 1.4 Festwert- und Folgeregelung... 21 1.4.1
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
MehrFundamente der Computational Intelligence
Wintersemester 2006/07 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
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?
MehrKai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger. Fuzzy-Regelung. Grundlagen, Entwurf, Analyse. Mit 174 Abbildungen und 9 Tabellen.
Kai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger Fuzzy-Regelung Grundlagen, Entwurf, Analyse Mit 174 Abbildungen und 9 Tabellen Springer Inhaltsverzeichnis 1. Grundlagen der Fuzzy-Systeme 1 1.1
MehrAutomatische Spracherkennung
Automatische Spracherkennung 3 Vertiefung: Drei wichtige Algorithmen Teil 3 Soweit vorhanden ist der jeweils englische Fachbegriff, so wie er in der Fachliteratur verwendet wird, in Klammern angegeben.
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. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 11. Vorlesung Stochastische Optimierung Simmulated Annealing 11. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrZusammenfassung der 8. Vorlesung
Zusammenfassung der 8. Vorlesung Beschreibung und Analyse dynamischer Systeme im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit Unterscheidung:
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
MehrEinfaches Framework für Neuronale Netze
Einfaches Framework für Neuronale Netze Christian Silberbauer, IW7, 2007-01-23 Inhaltsverzeichnis 1. Einführung...1 2. Funktionsumfang...1 3. Implementierung...2 4. Erweiterbarkeit des Frameworks...2 5.
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrNichtlineare Klassifikatoren
Nichtlineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 11 1 M. O. Franz 12.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrCrash-Kurs Regelungstechnik
Dr.-Ing. Jörg Kahlert Crash-Kurs Regelungstechnik Eine praxisorientierte Einführung mit Begleit-Software VDE VERLAG GMBH Berlin Offenbach Inhaltsverzeichnis 1 Einführung 11 1.1 Aufgaben der Regelungstechnik
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
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
MehrSoft Computing in der Konjunkturprognostik
mice.uni-muenster.de Soft Computing in der und Handelsblatt Frühindikator im Vergleich DIW Berlin, 20. Juni 2005 Stefan Kooths Überblick 2 Wissensgrenze Ausgangspunkt: Erwartungsbildung in Konjunkturmodellen
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
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
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
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
MehrEinführung in die Regelungstechnik
Heinz Mann f Horst Schiffelgen f Rainer Froriep Einführung in die Regelungstechnik Analoge und digitale Regelung, Fuzzy-Regler, Regler-Realisierung, Software 11., neu bearbeitete Auflage Mit 356 Bildern
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrRegelungstechnik I. Heinz Unbehauen. Klassische Verfahren zur Analyse und Synthese linearer kontinuierlicher Regelsysteme
Heinz Unbehauen Regelungstechnik I Klassische Verfahren zur Analyse und Synthese linearer kontinuierlicher Regelsysteme 7., überarbeitete und erweiterte Auflage Mit 192 Bildern und 28 TabeUen vieweg INHALT
MehrRegelungstechnik I. Heinz JUnbehauen. Klassische Verfahren zur Analyse und Synthese linearer kontinuierlicher Regelsysteme. 3., durchgesehene Auflage
Heinz JUnbehauen Regelungstechnik I Klassische Verfahren zur Analyse und Synthese linearer kontinuierlicher Regelsysteme 3., durchgesehene Auflage Mit 192 Bildern V] Friedr. Vieweg & Sohn Braunschweig/Wiesbaden
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
MehrNeuronale Netze zur Prognose und Disposition im Handel
Sven F. Crone Neuronale Netze zur Prognose und Disposition im Handel Mit einem Geleitwort von Prof. Dr. Dr. h. c. Dieter B. Preßmar GABLER RESEARCH Inhalt XI Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrÜbung 4 - Implementierung
Übung 4 - Implementierung 1 PID-Realisierung Das Folgeverhalten eines PID-Reglers durch die Einführung von setpoint weights (a, b und c) verbessert werden kann. 1. P: Sollwertgewichtung a, oft 0 < a
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrInstitut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.
Seite 1 Optimierung der Verbindungsstrukturen in Digitalen Neuronalen Netzwerken Workshop on Biologically Inspired Methods on Modelling and Design of Circuits and Systems 5.10.2001 in Ilmenau, Germany
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
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
MehrBiosignalverarbeitung
Peter Husar Biosignalverarbeitung Springer Inhaltsverzeichnis 1 Entstehung bioelektrischer Signale 9 1.1 Das Neuron 9 1.2 Elektrische Erregungsleitung und Projektion 15 2 Verstärkung und analoge Filterung
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
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
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
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
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
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrInhaltsverzeichnis. Heinz Mann, Horst Schiffelgen, Rainer Froriep. Einführung in die Regelungstechnik
Inhaltsverzeichnis Heinz Mann, Horst Schiffelgen, Rainer Froriep Einführung in die Regelungstechnik Analoge und digitale Regelung, Fuzzy-Regler, Regel-Realisierung, Software ISBN: 978-3-446-41765-6 Weitere
MehrFuzzy-Logik und Fuzzy-Control
Georg Jaanineh / Markus Maijohann Fuzzy-Logik und Fuzzy-Control Vogel Buchverlag Inhaltsverzeichnis Vorwort 5 TEIL1 1 Einleitung 13 2 Klassische Mengen und klassische Logik 17 2.1 Klassische Mengen 17
MehrRealisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen
Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen Prof.Dr.-Ing. K.-D. Morgeneier FH Jena, FB Elektrotechnik und Informationstechnik www.fh-jena.de Gliederung 2. Einführung 3.
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrEinführung in die Regelungstechnik
Heinz Mann t Horst Schiffelgen Rainer Froriep Einführung in die Regelungstechnik Analoge und digitale Regelung, Fuzzy-Regler, Regler-Realisierung, Software 9. Auflage mit 364 Bildern HANSER Einleitung
MehrEinführung in die Regelungstechnik
Einführung in die Regelungstechnik Heinz Mann, Horst Schiffelgen, Rainer Froriep Analoge und digitale Regelung, Fuzzy-Regler, Regel- Realisierung, Software ISBN 3-446-40303-5 Inhaltsverzeichnis Weitere
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
Mehr8. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 8. Vorlesung Neuronale Netze Lernverfahren 8. Vorlesung im Aufbau der Vorlesung 1. inführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrTechnische Universität Berlin Fakultät IV Elektrotechnik und Informatik. 8. Aufgabenblatt
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Albayrak, Fricke (AOT) Oer, Thiel (KI) Wintersemester 2014 / 2015 8. Aufgabenblatt
MehrEinführung in die Regelungstechnik
Heinz Mann t Horst Schiffeigen t Rainer Froriep Einführung in die Regelungstechnik Analoge und digitale Regelung, Fuzzy-Regler, Regler-Realisierung, Software 10., neu bearbeitete Auflage mit 379 Bildern
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
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 Neuronale Netze Motivation Perzeptron Übersicht Multilayer Neural Networks Grundlagen
MehrTraining von RBF-Netzen. Rudolf Kruse Neuronale Netze 134
Training von RBF-Netzen Rudolf Kruse Neuronale Netze 34 Radiale-Basisfunktionen-Netze: Initialisierung SeiL fixed ={l,...,l m } eine feste Lernaufgabe, bestehend ausmtrainingsbeispielenl=ı l,o l. Einfaches
MehrFuzzy-Logic. René K. Bokor - 5 HBa Fuzzy Logic Seite: 1
Fuzzy-Logic Einleitung In den letzten Jahren kommt die Theorie der unscharfen Mengen, auch Fuzzy Sets genannt, immer mehr Bedeutung zu. Das nun folgende Referat soll einen Überblick über die wesentlichen
MehrMerkmalserkennungs- und Klassifikationssystem (MEKS)
Merkmalserkennungs- und Klassifikationssystem (MEKS) S. Hafner Univ.-GHS Paderborn, Abteilung Meschede Tel.: (0291) 9910-330, Fax: (0291) 9910-330 Email: Hafner@meschede.uni-paderborn.de Kurzfassung Die
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrDISSERTATION. Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung
Technische Universität Ilmenau DISSERTATION Nichtlineare Analyse und Klassifikation von instationären Biosignalen mit Anwendung in der Kognitionsforschung zur Erlangung des akademischen Grades Doktor-Ingenieur
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
MehrSystemtheorie 1. Formale Systeme 1 # WS 2006/2007 Johannes Kepler Universität Linz, Österreich
Einführung 1 Systemtheorie 1 Formale Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof. Dr. Armin Biere Institut für Formale Modelle und Verifikation
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrInhaltsverzeichnis. Einführung
Inhaltsverzeichnis Einführung 1 Das biologische Paradigma 3 1.1 Neuronale Netze als Berechnungsmodell 3 1.1.1 Natürliche und künstliche neuronale Netze 3 1.1.2 Entstehung der Berechenbarkeitsmodelle 5
MehrDigitale Regelsysteme
Rolf Isermann Digitale Regelsysteme Springer-Verlag Berlin Heidelberg New York 1977 Inhaltsverzeichnis 1. Einführung :..." 1 A Prozesse und Prozeßrechner 5 2. Regelung mit Digitalrechnern (Prozeßrechner,
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrModellbildung und Simulation
Modellbildung und Simulation Wintersemester 2007/2008 Klaus Kasper Praktikum Mittwochs: 10:15 13:30 (Y) Start: 24.10.2007 Ort: D15/202 Donnerstags: 14:15 17:30 (X) Start: 25.10.2007 Ort: D15/102 Zulassungsvoraussetzung
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
MehrKleines Handbuch Neuronale Netze
Norbert Hoffmann Kleines Handbuch Neuronale Netze Anwendungsorientiertes Wissen zum Lernen und Nachschlagen - vieweg INHALTSVERZEICHNIS 1 Einleitung, 1.1 Begriff des neuronalen Netzes 1 11.1 Neurophysiologie
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
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
Mehr6.2 Feed-Forward Netze
6.2 Feed-Forward Netze Wir haben gesehen, dass wir mit neuronalen Netzen bestehend aus einer oder mehreren Schichten von Perzeptren beispielsweise logische Funktionen darstellen können Nun betrachten wir
MehrZusammenfassung der 2. Vorlesung
Zusammenfassung der 2. Vorlesung Fourier-Transformation versus Laplace-Transformation Spektrum kontinuierlicher Signale Das Spektrum gibt an, welche Frequenzen in einem Signal vorkommen und welches Gewicht
MehrRegelungstechnik 1. Systemtheoretische Gmndlagen, Analyse und Entwurf einschleifiger Regelungen. Jan Lunze. 8., neu bearbeitete Auflage
Jan Lunze Regelungstechnik 1 Systemtheoretische Gmndlagen, Analyse und Entwurf einschleifiger Regelungen 8., neu bearbeitete Auflage Mit 413 Abbildungen, 75 Beispielen, 165 Übungsaufgaben sowie einer Einführung
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrRegelungstechnik. Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz. Mit 118 Beispielen und 56 Aufgaben mit Lösungen
Regelungstechnik Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz Mit 118 Beispielen und 56 Aufgaben mit Lösungen Oldenbourg Verlag München Wien I Mehrgrößen-Regelsysteme
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
Mehr3. Beschreibung dynamischer Systeme im Frequenzbereich
3. Laplace-Transformation 3. Frequenzgang 3.3 Übertragungsfunktion Quelle: K.-D. Tieste, O.Romberg: Keine Panik vor Regelungstechnik!.Auflage, Vieweg&Teubner, Campus Friedrichshafen --- Regelungstechnik
MehrVorwort. I Einführung 1. 1 Einleitung Signale Systeme Signalverarbeitung Struktur des Buches 9. 2 Mathematische Grundlagen 11
Vorwort V I Einführung 1 1 Einleitung 3 1.1 Signale 4 1.2 Systeme 4 1.3 Signalverarbeitung 6 1.4 Struktur des Buches 9 2 Mathematische Grundlagen 11 2.1 Räume 11 2.1.1 Metrischer Raum 12 2.1.2 Linearer
MehrRekurrente Neuronale Netze
Rekurrente Neuronale Netze Gregor Mitscha-Baude May 9, 2016 Motivation Standard neuronales Netz: Fixe Dimensionen von Input und Output! Motivation In viele Anwendungen variable Input/Output-Länge. Spracherkennung
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
MehrInstitut für Angewandte Mikroelektronik und Datentechnik Fachbereich Elektrotechnik und Informationstechnik Universität Rostock.
Seite 1 Implementierung Neuronaler Netze mittels Digit-Online Algorithmen Vortrag im Rahmen des 10. Symposium Maritime Elektronik 2001 M.Haase, A.Wassatsch, D.Timmermann Seite 2 Gliederung Was sind Neuronale
MehrRegelungstechnik für Ingenieure
Serge Zacher Manfred Reuter Regelungstechnik für Ingenieure Analyse, Simulation und Entwurf von Regelkreisen 13., überarbeitete und erweiterte Auflage Mit 397 Abbildungen, 96 Beispielen und 32 Aufgaben
MehrSpracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16
Spracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16 AGENDA Grundlegendes Sprache Anwendungsbeispiele Schwierigkeit Architektur Spracherkennungssystem Hidden Markov Modell Verbesserung durch Kombination mit
Mehr