Programme für die Entwicklung neuronaler Netze

  • Das neuronale Netz ARI_G20G mit bis zu 20 Ein- und 20 Ausgängen  und mit bis zu 18 verborgenenen Schichten. Dieses Netz ist für die Lösung algemeiner Aufgaben geeignet.
  • Die neuronalen Netze ARI_ATUR0 und ARI_BTUR0 mit bis zu 19 Eingängen und 1 Ausgang. Diese Netze sind auf die Verfolgung von Meßdaten von Maschinen abgestimmt. Das Programm ARI_BTUR0 erstellt die neuronalen Matrizen voll automatisch.
  • Neuronale Netze für Applikationen mit erforderlicher Anzahl von Aus- und Eingängen mit bis zu 18 verborgenen Schichten und auch mit verknüpften Subnetzen bei komplexen Anforderungen.

Die Programme  verfügen  über eine übersichtliche Eingabe der Wissensbasis von Hand und auch über die Möglichkeit der Datenübernahme von einer Excel-, oder nach Anpassung von einer beliebigen Fremddatei. Im neuronalen Teil erfolgt die Entwicklung des Netzes für die Zustände Neu, Fortsetzung und Glättung. Das Lernen erfordet keinerlei Eingriffe. Der Erfolg des Lernens kann überprüft werden durch den Vergleich der neuronal bestimmten Werte  mit der Wissensbasis und durch die Fehlerkontrolle. Weiter können Berechnungen bei freier Wahl der Eingangswerte durchgeführt werden und die Ergebnisse grafisch dargestellt werden. Die Entwicklungsergebnisse in Form der neuronalen Matrix können in beliebigen Programmen unter Verwendung eines Berechnungsmoduls eingesetzt  werden.

Merkmale der Entwicklung der neuronalen Matrix

  • Einfachste Handhabung und automatischer Ablauf der Entwicklung.
  • Beurteilung der Konvergenzfähigkeit der vorhandenen Wissensbasis gleich bei Beginn der Matrixentwicklung.
  • In Bezug auf die eforderliche Genauigkeit der Ergebnisse und die Struktur der Wissensbasis die Festlegung der Netztopologie - die Anzahl der verborgenen Schichten und die Anzahl der Gewichte in den Schichten - durch das Netz selbst. Bei Bedarf auch die Festlegung “von Hand” nach eigenem Ermessen.
  • Vorgabe der Genauigkeit der Ziele durch die Wissensbasis selbst.
  • Backpropagation-Netz mit einer auf den augenblicklichen Zustand des Netzes optimierten variablen Sigmoid-Transfer-Funktion und einem optimierten variablen Lernfaktor.
  • Übersichtliche Verfolgung des Lernfortschrittes auf dem Bildschirm durch Beobachtung aller wesentlichen Parameter die in Verbindung mit der Fehlerentwicklung stehen.
  • Automatischer Abbruch der Matrixentwicklung nach dem Erreichen der gewünschten Genauigkeit der Ergebnisse. Bei nicht konvergenzfähiger Wisssensbasis Abbruch bei Stillstand der Matrixentwicklung. Bei Bedarf auch Abschaltung der Abbruchoption.
  • Für die Beurteilung der Matrixentwicklung bzw. der Fehlerentwicklung sind verfügbar die Option Fehlerverteilung, die Option Berechnung für den Vergleich der neuronalen Istwerte mit den Sollwerten der Wissensbasis, und die Option für den grafischen Vergleich.

Systemvoraussetzungen für den Einsatz neuronaler Netze

Ab 486er-Prozessor, ca. 3 MB freiem Festplattenspeicher, 8 MB RAM, Windows 95/98/Me/XP/NT. Ein möglichst schneller Rechner ist von Vorteil.


Selbst lernendes neuronales Netz ?



zurück