Arbeitsgruppe Neuronale Netze und Fuzzy-Systeme
Neuro-Fuzzy-Systeme
Inhaltsverzeichnis
zurück zur Hauptseite
I Neuronale Netze
1 Einleitung
1.1 Motivation
1.2 Biologische Grundlagen
2 Schwellenwertelemente
2.1 Definition und Beispiele
2.2 Geometrische Deutung
2.3 Grenzen der Ausdrucksmächtigkeit
2.4 Netze von Schwellenwertelementen
2.5 Training der Parameter
2.6 Varianten
2.7 Training von Netzen
3 Allgemeine neuronale Netze
3.1 Struktur neuronaler Netze
3.2 Arbeitsweise neuronaler Netze
3.3 Training neuronaler Netze
4 Mehrschichtige Perzeptren
4.1 Definition und Beispiele
4.2 Funktionsapproximation
4.3 Logistische Regression
4.4 Gradientenabstieg
4.5 Fehler-Rückpropagation
4.6 Beispiele zum Gradientenabstieg
4.7 Varianten des Gradientenabstiegs
4.8 Beispiele zu einigen Varianten
4.9 Sensitivitätsanalyse
5 Radiale-Basisfunktionen-Netze
5.1 Definition und Beispiele
5.2 Funktionsapproximation
5.3 Initialisierung der Parameter
5.4 Training der Parameter
5.5 Verallgemeinerte Form
6 Selbstorganisierende Karten
6.1 Definition und Beispiele
6.2 Lernende Vektorquantisierung
6.3 Nachbarschaft der Ausgabeneuronen
7 Hopfield-Netze
7.1 Definition und Beispiele
7.2 Konvergenz der Berechnungen
7.3 Assoziativspeicher
7.4 Lösen von Optimierungsproblemen
7.5 Simuliertes Ausglühen
8 Rückgekoppelte Netze
8.1 Einfache Beispiele
8.2 Darstellung von Differentialgleichungen
8.3 Vektorielle neuronale Netze
8.4 Fehler-Rückpropagation in der Zeit
II Fuzzy-Systeme
9 Einleitung
9.1 Motivation
9.2 Fuzzy-Mengen
9.3 Grundlegende Operationen auf Fuzzy-Mengen
10 Fuzzy-Systeme und -Verfahren
10.1 Fuzzy-Regelung
10.2 Fuzzy-Klassifikatoren
10.3 Fuzzy-Clusteranalyse
III Neuro-Fuzzy-Systeme
11 Einleitung
11.1 Modellierung von Expertenverhalten
11.2 Kombination Neuronaler Netze und Fuzzy-Systeme
11.3 Was ist ein Neuro-Fuzzy-System?
12 Typen von Neuro-Fuzzy-Systemen
12.1 Kooperative und Hybride Neuro-Fuzzy-Systeme
12.2 Adaptive Fuzzy-Assoziativspeicher
12.3 Linguistische Interpretation selbstorganisierender Karten
12.4 Erlernen von Fuzzy-Mengen
12.5 Das ARIC-Modell
12.6 Das GARIC-Modell
12.7 Das ANFIS-Modell
12.8 Das NNDFR-Modell
12.9 Das FuNe-I-Modell
12.10 Fuzzy RuleNet
12.11 Weitere Modelle
13 Das generische Fuzzy-Perzeptron
13.1 Architektur
13.2 Lernverfahren
13.3 Semantische Aspekte
14 Fuzzy-Regeln aus Daten lernen
14.1 Strukturlernen
14.2 Lernalgorithmen
14.3 Behandlung symbolischer Werte
14.4 Behandlung fehlender Werte
15 Optimierung von Fuzzy-Regelbasen
15.1 Adaptive Regelgewichte
15.2 Lernverfahren für Fuzzy-Mengen
15.3 Strukturoptimierung (Pruning)
16 Fuzzy-Regelung mit NEFCON
16.1 Die Architektur
16.2 Parameterlernen - Fuzzy-Mengen trainieren
16.3 Erlernen einer Regelbasis
16.4 Implementierungen von NEFCON
17 Klassifikation mit NEFCLASS
17.1 Intelligente Datenanalyse
17.2 Das NEFCLASS-Modell
17.3 Implementierungsaspekte
17.4 Der Einfluß von Regelgewichten
17.5 Erzeugung kleiner Klassifikatoren
17.6 Verwendung Symbolischer Variablen
17.7 Klassifikation als Datenvorverarbeitung
18 Funktionsapproximation mit NEFPROX
19 Anwendung von Neuro-Fuzzy-Systemen
19.1 Anwendungsbeispiele
19.2 Auswahl von Neuro-Fuzzy-Ansätzen
19.3 Semantik und Interpretierbarkeit
IV Anhänge
A Geradengleichungen
B Regression
C Aktivierungsumrechnung
Literaturverzeichnis
Index
zurück zum Seitenanfang
© 2003
Christian Borgelt
Last modified: Mon Oct 13 19:13:53 MEST 2003