Projectile Learning - Entwicklung und Implementierung eines neuen Lernverfahrens fur kunstliche neuronale Netze mit dem Ansatz einer globalen Suche auf der Fehlerfunktion

Diplomarbeit aus dem Jahr 2011 im Fachbereich Informatik - Bioinformatik, Note: 2,0, Westflische Wilhelms-Universitt Mnster (Informatik), Sprache: Deutsch, Abstract: Das menschliche Gehirn ist zu faszinierenden Leistungen fhig. In manchen Bereichen ist es jedem Computer berlegen. Zum Beispiel knnte heute kein Computer im Straenverkehr ein Auto so sicher lenken wie ein Mensch. Andererseits lst ein Computer komplizierte Rechenaufgaben viel schneller als ein menschliches Gehirn. Mit knstlichen neuronalen Netzen versucht die Informatik, das Gehirn zu imitieren, um die Vorzge beider Systeme zu vereinigen.

Knstliche neuronale Netze bestehen aus knstlichen Neuronen, die miteinander zu einem Netz verbunden sind. Dabei knnen die Verbindungen unterschiedlich stark ausgeprgt sein. Damit ein solches Netz bestimmte Probleme lsen kann, muss es zunchst mit einem Lernverfahren trainiert werden. Dabei werden dem Netz Beispiele in Form von Eingabedaten und den dazugehrigen korrekten Ausgabedaten vorgelegt. Manche Lernverfahren arbeiten auch mit Trainingsdaten, die keine korrekten Ausgabedaten enthalten.

Bei den Lernverfahren handelt es ich um eine Minimierung der Fehlerfunktion des knstlichen neuronalen Netzes. Diese suchen ein lokales Minimum der Fehlerfuntkion. Dieses ist nicht optimal, da es nach dem Finden eines lokalen Minimums der Funktion noch kleinere Werte der Fehlerfunktion geben kann.

In dieser Arbeit entwickle und implementiere ich ein Lernverfahren fr knstliche neuronale Netze, welches ein globales Minimum der Fehlerfuntkion sucht. Als Grundlage benutze ich einen von Harkiolakis entwickelten Algorithmus zur globalen Optimierung eines nicht nichtlinearen Gleichungssystem durch den Flug eines Projektils. [Har08] Mithilfe dieses Verfahrens wurden in bekannten Optimierungsproblemen neue Minima gefunden. Dieses bertrage ich auf ein Lernverfahren fr knstliche neuronale Netze mit dem Versuch bessere Netze zu
finden als mit den standard Lernverfahren.