Evolution und Lernen zur Optimierung neuronaler Strukturen

Neuronale Netze sind biologisch inspirierte, datenverarbeitende Modelle, die in den letzten Jahren große technische Relevanz, insbesondere bei der Lösung von Regressions- und Klassifikationsaufgaben, erlangt haben. In dieser Arbeit werden die zum datengetriebenen Entwurf dieser Netze vielfach verwendeten technischen Umsetzungen der Strategien "Lernen" und "Evolution" untersucht und verbessert. Untersuchungsschwerpunkte basieren auf der Kopplung von Evolution und Lernen: Die Kombination dieser Techniken wird mit dem Ziel, die Vorzüge beider Strategien auszunutzen, betrachtet und weiterentwickelt. Des Weiteren erfolgt der Netzentwurf nicht einzig mit dem Ziel, eine feste Aufgabe möglichst akkurat zu lösen, sondern vielmehr, eine Vielzahl ähnlicher Aufgaben lösen zu können. Hierzu werden Netze entworfen, die in besonderem Maße lernfähig sind. Die Untersuchungen erfolgen jeweils sowohl an künstlich generierten, als auch an realen Aufgabenstellungen.

Metadaten
Author:	Michael Hüsken GND
URN:	urn:nbn:de:hbz:294-8879
Referee:	Klaus Goeke GND, Werner von Seelen GND
Document Type:	Doctoral Thesis
Language:	German
Date of Publication (online):	2003/10/22
Date of first Publication:	2003/10/22
Publishing Institution:	Ruhr-Universität Bochum, Universitätsbibliothek
Granting Institution:	Ruhr-Universität Bochum, Fakultät für Physik und Astronomie
Date of final exam:	2003/06/18
Creating Corporation:	Fakultät für Physik und Astronomie
GND-Keyword:	Neuroinformatik; Neuronales Netz; Evolutionärer Algorithmus; Soft Computing; Datenverarbeitung
Institutes/Facilities:	Institut für Neuroinformatik
	Lehrstuhl für Theoretische Biologie
Dewey Decimal Classification:	Naturwissenschaften und Mathematik / Physik
faculties:	Fakultät für Physik und Astronomie
Licence (German):	Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht

RUB » Bibliotheksportal