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.
Author: | Michael HüskenGND |
---|---|
URN: | urn:nbn:de:hbz:294-8879 |
Referee: | Klaus GoekeGND, Werner von SeelenGND |
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 |