Kurzbeschreibung

Mit der entwickelten Software SINN 2.1 wurde ein Lehr- und Simulationssystem erstellt, welches - wie es das Ziel war - künstliche neuronale Netze simulieren, sie trainieren und deren Eigenschaften darstellen kann.

Zusätzlich zu den vorwärtsgekoppelten Netztypen wurden rückgekoppelte Netze, wie Hopfield- und Kohonen-Netze, implementiert. Dies ermöglichte die Erweiterung der vorhandenen Anwendungen. Nun sind Anwendungen zur:

Mustererkennung mit vorwärtsgerichteten Netzen,
Steuerung eines Roboterarms mit vorwärtsgerichteten Netzen,
Mustererkennung mit Hopfield-Netzen,
Darstellung des Lösungsansatzes für das TSP nach Hopfield und Tank,
Darstellung der Verteilung von selbstorganisierenden Karten,
Darstellung des Lösungsansatzes für das TSP mit Kohonen-Netzen und
Steuerung eines Stab-Balancierers mit Kohonen-Netzen

vorhanden.

Zum Trainieren der einzelnen künstlichen neuronalen Netze stehen in SINN 2.1:

der Hebb-Algorithmus,
der Lernalgorithmus nach Krauth und Mézard,
ein Lernalgorithmus zum Trainieren von Kohonen-Netzen und
ein überarbeiteter Backpropagation-Algorithmus

zur Verfügung.

Es wurden zusätzliche Möglichkeiten geschaffen, die Eigenschaften der verschiedenen Netztypen visuell darstellen zu können. Solche Darstellungen sind zum Beispiel die Erstellung einer Fehlerfläche oder die Erstellung einer Ausgabefläche für Netze mit zwei Eingangs- und einem Ausgangsneuron.

Bei der Erstellung der Anwendungen wurde darauf geachtet, dass dem Benutzer eine grösst mögliche Anzahl an Einflussmöglichkeiten zum Manipulieren der Anwendung und des benutzten Netzes zur Verfügung stehen. So kann bei Manipulation der Netzparameter beobachtet werden, wie sich das Verhalten des Netzes ändert.


			Kurzbeschreibung SImulator Neuronaler Netze


	Wissenswertes The Lands of Evermore Projekte Ahnenforschung SINN 2.1 Geschichte Kurzbeschreibung Online-Hilfe Download Entwickler Literatur Bilder Kontakt Impressum Seitenübersicht		Kurzbeschreibung Mit der entwickelten Software SINN 2.1 wurde ein Lehr- und Simulationssystem erstellt, welches - wie es das Ziel war - künstliche neuronale Netze simulieren, sie trainieren und deren Eigenschaften darstellen kann. Zusätzlich zu den vorwärtsgekoppelten Netztypen wurden rückgekoppelte Netze, wie Hopfield- und Kohonen-Netze, implementiert. Dies ermöglichte die Erweiterung der vorhandenen Anwendungen. Nun sind Anwendungen zur: Mustererkennung mit vorwärtsgerichteten Netzen, Steuerung eines Roboterarms mit vorwärtsgerichteten Netzen, Mustererkennung mit Hopfield-Netzen, Darstellung des Lösungsansatzes für das TSP nach Hopfield und Tank, Darstellung der Verteilung von selbstorganisierenden Karten, Darstellung des Lösungsansatzes für das TSP mit Kohonen-Netzen und Steuerung eines Stab-Balancierers mit Kohonen-Netzen vorhanden. Zum Trainieren der einzelnen künstlichen neuronalen Netze stehen in SINN 2.1: der Hebb-Algorithmus, der Lernalgorithmus nach Krauth und Mézard, ein Lernalgorithmus zum Trainieren von Kohonen-Netzen und ein überarbeiteter Backpropagation-Algorithmus zur Verfügung. Es wurden zusätzliche Möglichkeiten geschaffen, die Eigenschaften der verschiedenen Netztypen visuell darstellen zu können. Solche Darstellungen sind zum Beispiel die Erstellung einer Fehlerfläche oder die Erstellung einer Ausgabefläche für Netze mit zwei Eingangs- und einem Ausgangsneuron. Bei der Erstellung der Anwendungen wurde darauf geachtet, dass dem Benutzer eine grösst mögliche Anzahl an Einflussmöglichkeiten zum Manipulieren der Anwendung und des benutzten Netzes zur Verfügung stehen. So kann bei Manipulation der Netzparameter beobachtet werden, wie sich das Verhalten des Netzes ändert.