Neuro-Fuzzy-Systeme Fuzzy-Datenanalyse Unsicherheit und Vagheit in wissensbasierten Systemen


Detlef Nauck, Frank Klawonn und Rudolf Kruse:


Neuronale Netze und Fuzzy-Systeme

Grundlagen des Konnektionismus, Neuronaler Fuzzy-Systeme und der Kopplung mit wissensbasierten Methoden


Vieweg, Wiesbaden (1994)
(ISBN 3-528-05265-1, 405 S., DM 49,-)

Klicken Sie auf das Bild, um eine größere farbige Darstellung des Covers zu sehen (26K JPEG)

Die 2., überarbeitete und erweiterte Auflage ist seit Februar 1996 im Buchhandel erhältlich!
Informationen dazu finden Sie hier.

Inhaltsverzeichnis

Einleitung

Teil I - Grundlagen Neuronaler Netze

1 Historische und Biologische Aspekte

2 Ein generisches Modell für Neuronale Netze
2.1 Die Struktur Neuronaler Netze
2.2 Die Arbeitsweise Neuronaler Netze
2.3 Strukturveränderung - Lernen
2.4 Lernparadigmen

Teil II - Architekturen Neuronaler Netze

3 Perceptrons
3.1 Das formale Modell des Perceptrons
3.2 Lineare Separabilität
3.3 Der Lernalgorithmus des Perceptrons

4 Einfache lineare Modelle
4.1 Das formale Modell Linearer Neuronaler Netze
4.2 Das ADALINE und die Delta-Regel
4.3 Matrixspeicher und die Hebbsche Lernregel

5 Multilayer-Perceptrons
5.1 Das formale Modell des Multilayer-Perceptrons
5.2 Backpropagation - Die verallgemeinerte Delta-Regel
5.3 Anwendung des Backpropagation-Algorithmus
5.4 Linear nicht-separable Lernaufgaben
5.5 Multilayer-Perceptrons als universelle Approximatoren
5.6 Anwendungen

6 Wettbewerbslernen

7 Selbstorganisierende Karten
7.1 Das formale Modell
7.2 Anwendungen selbstorganisierender Karten
7.3 Counterpropagation

8 Hopfield-Netze
8.1 Das formale Modell des Hopfield-Netzes
8.2 Die Energiefunktion eines Hopfield-Netzes
8.3 Das Hopfield-Netz als autoassoziativer Speicher
8.3.1 Direkte Berechnung der Netzwerkstruktur und der Schwellenwerte
8.3.2 Die Hebbsche Lernregel für Hopfield-Netze
8.3.3 Die Widrow-Hoff-Regel für Hopfield-Netze
8.4 Die Lösung von Optimierungsproblemen mit Hopfield-Netzen
8.5 Das kontinuierliche Hopfield-Modell

9 Simulated Annealing und Boltzmann-Maschinen
9.1 Simulated Annealing
9.2 Boltzmann-Maschinen

10 Neuronale Regler

Teil III - Konnektionistische Expertensysteme

11 Grundlagen der Expertensysteme

12 Wissensrepräsentation in Neuronalen Netzen
12.1 Der Wissensbegriff in der KI-Forschung
12.2 Wissensrepräsentation
12.3 Kognitionswissenschaftliche Aspekte der Wissensrepräsentation
12.4 Wissensverarbeitung
12.5 Konnektionistische Wissensrepräsentation und Wissensverarbeitung

13 Modellierung Konnektionistischer Expertensysteme
13.1 Konzeptionelle Überlegungen
13.2 Regelfolgende Modelle
13.3 Regelbeherrschte Modelle

14 Preprocessing
14.1 Transformationen und Merkmalsausprägung
14.2 Erlernen der Transformationen

Teil IV - Neuronale Fuzzy-Systeme

15 Modellierung Neuronaler Fuzzy-Systeme
15.1 Kognitive Modellierung von Expertenverhalten
15.2 Fuzzy-Regler
15.3 Kombinationen Neuronaler Netze und Fuzzy-Regler

16 Kooperative Neuronale Fuzzy-Regler
16.1 Adaptive Fuzzy-Assoziativspeicher
16.2 Linguistische Interpretation selbstorganisierender Karten
16.3 Erlernen von Fuzzy-Mengen

17 Hybride Neuronale Fuzzy-Regler
17.1 Das ARIC-Modell
17.2 Das GARIC-Modell
17.3 Weitere Modelle

18 Das NEFCON-Modell
18.1 Anforderungen an das Modell
18.2 Die Architektur
18.3 Die Arbeitsweise
18.4 Fuzzy-Fehler-Propagation - Der Lernalgorithmus
18.5 Erlernen einer Regelbasis
18.6 Beurteilung des NEFCON-Ansatzes
18.7 NEFCON-I - Eine Implementierung

19 Neuronale Netze und Fuzzy-Prolog
19.1 Neuronale Netze und Logik
19.2 Fuzzy-Logik
19.3 Neuronale Netze und Fuzzy-logische Programme
19.4 Der Lernalgorithmus

Literaturverzeichnis

Index

Go to Top