7. Vorlesung Neuronale Netze - uni-saarland.de · SC WS 18/19 Georg Frey177 Inhalt der 7. Vorlesung...
Transcript of 7. Vorlesung Neuronale Netze - uni-saarland.de · SC WS 18/19 Georg Frey177 Inhalt der 7. Vorlesung...
SC
176WS 18/19 Georg Frey
7. Vorlesung im Aufbau der Vorlesung
1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen
"intelligenter" Systeme
2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI)
Anwendung: Expertensysteme
3. Fuzzy-Systeme: Umgang mit unscharfem Wissen
Anwendung: Fuzzy-Control
4. Konnektionistische Systeme: Neuronale Netze
Anwendung: Identifikation und neuronale Regler
1. Grundlagen
5. Stochastische Optimierung (Genetische Algorithmen, Simulated
Annealing, Differential Evolution)
Anwendung: Optimierung
6. Zusammenfassung & Literaturhinweise
SC
177WS 18/19 Georg Frey
Inhalt der 7. Vorlesung
1. Abgrenzung zu Expertensystemen und Fuzzy-Systemen
2. Natürliches Vorbild
1. Das menschliche Gehirn
2. Das natürliche Neuron
3. Eigenschaften neuronaler Netze in Bezug zur
Automatisierungstechnik
4. Künstliche Neuronen
5. Künstliche Neuronale Netze
SC
178WS 18/19 Georg Frey
Abgrenzung zu Expertensystemen und Fuzzy-Systemen (1)
• Eine makroskopische Betrachtung
führt zu Expertensystemen bzw.
Fuzzy Control
• Hier modelliert man die intelligenten
Denkvorgänge des Menschen
• Die Fähigkeit des Menschen
aufgrund gegebener (u.U.
unscharfer) Informationen
intelligente Schlussfolgerungen
abzuleiten soll nachgebildet
werden
• Man zielt auf die Nutzung des vom
Menschen angesammelten (bereits
erlernten) Wissens zur Lösung
spezieller Aufgaben
• Eine mikroskopische
Betrachtung führt zu Neuronalen
Netzen
• Hier modelliert man die Träger der
menschlichen Intelligenz (die
Nervenzellen und ihre
gegenseitige Vernetzung)
• Die Fähigkeit des Menschen aus
Daten bzw. Erfahrungen
Zusammenhänge zu
abstrahieren soll nachgebildet
werden
• Man zielt auf die Nutzung der
Lernfähigkeit der funktionalen
Einheiten des Gehirns
Ziel: Nachbildung von intelligentem Verhalten
SC
179WS 18/19 Georg Frey
Abgrenzung zu Expertensystemen und Fuzzy-Systemen (2)
Verarbeitung
symbolisch numerisch
verarbeitetes
Wissen
strukturiertExperten-
systemeFuzzy Systeme
unstrukturiertNeuronale
Netze (NN)
SC
180WS 18/19 Georg Frey
Das Gehirn als natürliches Vorbild
• ca. 100 Milliarden Neuronen
• Jedes Neuron ist mit
ca. 1000 bis 100.000
anderen Neuronen
verbunden
• kleinste funktionale Einheit
enthält ca. 4000 Neuronen
• Unterteilung in verschiedene
Reaktionsorte (Sinnes-
wahrnehmungen,
motorische Tätigkeiten)
• Bei Schäden an Teilen des Gehirns kann die Aufgabe teilweise von
anderen Stellen übernommen werden
• Das Gedächtnis ist nicht örtlich beschränkt sondern über die ganze
Hirnrinde verteilt
• Antwortzeiten ms bis s
Nervenzellen in der Hirnrinde
SC
181WS 18/19 Georg Frey
Das natürliche Neuron als kleinster Baustein
Komponenten:
• Zellkörper (Soma)
• Axon
• Dendriten
• Endknöpfchen
Verbindung zu anderen Neuronen
• Synapsen
DendritenAxon
Endknöpfchen
Synapsen
SC
182WS 18/19 Georg Frey
Funktionsweise eines Neurons
• Das Neuron empfängt Signale von anderen Neuronen über die
Synapsen
• Die Synapsen bestimmen wie das ankommende Signal in das Neuron
eingeht (Gewicht der Verbindung, kann auch negativ sein)
• Die Dendriten sind die Eingangskanäle des Neurons, sie leiten die
Signale von den Synapsen in das Soma
• Die Signale werden im Soma des Neurons aufaddiert
• Wenn genügend Signalenergie vorhanden ist feuert das Neuron, d.h.
es schickt nun selbst ein Signal an andere Neuronen
• Das Axon ist der Ausgangskanal des Neurons, es leitet das im Soma
erzeugte Signal zu den Endknöpfchen
• Die Endknöpfchen stellen die elektrochemische Verbindung zu den
Empfängerneuronen her (Synapsen)
SC
183WS 18/19 Georg Frey
Einige Eigenschaften natürlicher Neuronen
• Alle Vorgänge sind elektrochemischer Natur und damit merklich
zeitbehaftet (die Fortpflanzungsgeschwindigkeit eines Impulses über
das Axon liegt im Bereich 0,5 – 100 m/s)
• Die Erzeugung von Ausgangsimpulsen erfolgt nach dem Alles-oder-
Nichts-Prinzip (feuern)
• Nach dem Auslösen eines Impulses dauert es einige Millisekunden, bis
das Neuron wieder erregt werden kann (Refraktärphase)
• Synapsen können hemmend oder erregend sein
• Neuronen passen bei konstanter Reizung ihre Empfindlichkeit an
• Es gibt in natürlichen NN keinen Synchronismus
SC
184WS 18/19 Georg Frey
Lernen auf Neuronenebene
Bekannteste Theorie (Donald Hebb):
• Wenn Paare von Neuronen gleichzeitig aktiv sind, werden die
Verbindungen zwischen ihnen verstärkt (die Wege im Netz werden
stärker gebahnt)
• Lernvorgänge werden also durch Änderung der Verbindungsstärken an
den Synapsen erreicht
• Mögliche Änderungen:
Strukturell = Form der Endknöpfchen, Form und Größe der Dendritenenden
Chemisch = Zahl der Rezeptormoleküle, freie Menge der Übertragungsstoffe
• Strukturelle Änderungen finden dabei im relativ frühen Lebensalter statt
• Bei Erwachsenen erfolgen chemische Änderungen
SC
185WS 18/19 Georg Frey
Eigenschaften neuronaler Netze mit Bezug zur AT
• NN bilden nichtlineare Zusammenhänge ab und sind daher direkt
für nichtlineare Regelungsprobleme einsetzbar
• NN verfügen über eine MIMO Struktur
• NN sind durch ihre massiv parallele Struktur robust gegenüber
Fehlern in einzelnen Elementen
• NN können dazu benutzt werden zu Generalisieren und zu
Interpolieren
• NN können Zusammenhänge aufgrund von Daten erlernen (ohne
Modell)
• NN können online weiterlernen (Adaptivität)
Für die Anwendung ist ein vereinfachtes mathematisches Modell eines
Neurons erforderlich
SC
186WS 18/19 Georg Frey
Mathematisches Modell eines Neurons
• W. McCulloch und W. Pitts, 1943
SC
187WS 18/19 Georg Frey
Leistungsfähigkeit eines einzelnen Neurons
• Beispiel mit Sprung als Aktivierungsfunktion
SC
189WS 18/19 Georg Frey
Grenze: XOR-Problem
• Lösung erfordert mehrere Neuronen
• Lösung mit 3 Neuronen in zwei Schichten
SC
190WS 18/19 Georg Frey
Neuronale Netze (einschichtig)
• Anordnung der Neuronen in mehreren Schichten
• Jedes Neuron ist mit allen Neuronen der Folgeschicht verbunden
• Einschichtiges Netz
SC
191WS 18/19 Georg Frey
Neuronale Netze (mehrschichtig)
• Multi-Layer-Perceptron
SC
192WS 18/19 Georg Frey
Erste Einteilung von NN
• synchrone und asynchrone Netze
bei synchronen Netzen wird die Ausgabe aller Neuronen gleichzeitig berechnet
(Voraussetzung: Keine Rückkopplungsschleifen)
Bei mehrschichtigen Netzen erfolgt die synchrone Berechnung i. A. für jede Schicht
in der Reihenfolge von der Eingangsschicht zur Ausgangsschicht
bei asynchronen Netzen erfolgt die Berechnung der Ausgabe für jedes Neuron
unabhängig von den anderen Neuronen
• statische und dynamische Netze
Ein Neuron ohne gespeicherten Zustand berechnet seine Ausgabe rein aufgrund der
aktuellen Eingabe statisches Netz
Neuronen mit gespeichertem Zustand berechnen die Ausgabe als Funktion der
Eingabe und des vorherigen Zustands. Für diesen Zustand müssen
Übergangsregeln aufgestellt werden dynamisches Netz
SC
193WS 18/19 Georg Frey
Verbindungsstrukturen
• vorwärts
• lateral
• rückwärts
SC
195WS 18/19 Georg Frey
Offenes Problem: Lernen in NN
• Aufbauend auf dem dargestellten mathematischen Modell eines
Neurons lassen sich beliebig komplexe NN bilden
• Die zugrunde liegende Idee für das Lernen in solchen Netzen
(Anpassung der Gewichte an den Synapsen bzw. Kanten) ist klar
• Problem: Das Modell gibt jedoch keinen Hinweis darauf, wie der
Lernvorgang ablaufen soll
• Lösung:
Zunächst natürliche Formen des Lernens untersuchen
Daraus die prinzipielle Idee eines Lernalgorithmus ableiten
Diesen Algorithmus so umformen, dass er auf das mathematische Modell passt
• Dabei zu beachten:
Effizienz (Zeitaufwand, Implementierungsaufwand)
Konvergenz (Stabilität der Lösung)
Güte (Optimalität der Lösung)
SC
196WS 18/19 Georg Frey
Zusammenfassung und Lernkontrolle zur 7. Vorlesung
Prinzipielle Funktion eines Neurons beschreiben können
natürlich
künstlich
Mathematisches Modell eines einfachen Neurons entwickeln können
Fähigkeiten und Grenzen einzelner Neuronen kennen
Möglichkeiten zum Aufbau von Netzen kennen
Synchronismus
Dynamik
Verknüpfungen
Aktivierungsfunktionen
Grundlegende Unterschiede zwischen natürlichen und künstlichen NN kennen