Künstliche Neuronale Netze

Künstliche Neuronale Netze (KNN) sind eine mathematische Abbildung von biologischen, neuronalen Strukturen. Damit werden die prinzipiellen Informationsmechanismen von natürlichen Gehirnen und Nerven am Computer nachgebildet und finden Verwendung bei verschiedensten komplexen Aufgabenstellungen im Gebiet der Künstlichen Intelligenz bzw. Computational Intelligence.

Anders als bei konventionellen, analytischen Modellen, welche in ihrer Funktionalität jeweils individuell konstruiert werden müssen, wird dem KNN vorgegeben, wie es sich in verschiedenen Anlassfällen verhalten soll und trainiert ihm das gewünschte Verhalten an.

Künstliche Neuronale Netze zeichnen sich dabei durch ein Reihe von Vorteilen aus:

  • KNN sind "universelle Approximatoren", d.h. damit kann man jede beliebige Funktion abbilden, sofern man genügend Neuronen zur Verfügung hat.
  • KNN zeichnen sich durch einen hohen Grad an Parallelisierung aus und sind daher schnell in der Auswertung.
  • KNN sind einfach in der Implementierung. Es handelt sich bloß um eine Aufeinanderfolge von Matrixmultiplikationen mit ein paar Auswertungen von Übergangsfunktionen, welche die Aktivierung der Neuronen emulieren.
  • KNN lassen sich leicht an neue oder modifizierte Aufgabenstellungen anpassen bzw. antrainieren, ohne immer von Neuem das komplette mathematische Modell verwerfen zu müssen. Damit sind sie u.a. bestens geeignet für Aufgabenstellungen, welche Adaptivität der Lösung erfordern.
  • KNN sind sehr generell und können in der gleiche Form für unterschiedlichste Aufgabenstellungen mit hohem Komplexitätsgrad Anwendung finden.
  • ...