Kapitelanfang Vorige Seite Nächste Seite Nächstes Kapitel
VERN Home navigation
 
Chemoinformatik
Einführung in die Chemoinformatik
Repräsentation chemischer Strukturen
Repräsentation chemischer Reaktionen
Datentypen/Datenformate
Datenbanken/Datenquellen
Struktur-Suchmethoden
Berechnung physikalischer und chemischer Daten
Descriptoren für chemische Verbindungen
Methoden zur Datenanalyse
Einführung
Maschinelles Lernen
Lernverfahren
Entscheidungsbäume
Chemometrie
Multivariate Statistikmethoden
Korrelation
MLRA
PCA
PCR
PLS
MDS
Neuronale Netze
Einführung
Biologische Neuronen
Künstliche Neuronen
Künstliches Neuronenmodell
Vernetzung von Neuronen
Mehrschichtenmodell
Lernverfahren NN
  Hopfield-Modell
Hopfield-Modell: Beispiel
Kohonen-Netze
Kohonen-Netz: Lernen
Backpropagation Netzwerke
Counterpropagation Netzwerke
Fuzzy Logic
Genetische Algarithmen
Data Mining-Methoden in der Chemie
Weitere Data Mining-Methoden
Literatur
Anwendungen
Struktur-Eigenschafts-Beziehung
Strukturaufklärung
Synthesplanung

Startseite

Das Hopfield-Modell

Der amerikanische Physiker Hopfield stellte 1982 sein Modell vor und wies dabei auf Analogien zwischen neuronalen Netzen und Spinsystemen hin. Damit konnte er eine ganze Reihe mathematischer Methoden aus der Theoretischen Physik in die Erforschung neuronaler Netze einbringen. Außerdem führte er nichtlineare Übertragungsfunktionen ein.
Das Hopfield-Netz führt eine der interessantesten Funktionen des menschlichen Gehirns aus: es kann assoziieren. Das bedeutet, daß gespeicherte Bilder (oder jede andere komplexe Information, die als mehrdimensionaler Vektor oder als Matrix dargestellt werden kann) bereits anhand von Teilen dieser Information oder einem verzerrten Bild erkannt werden kann. Zum Beispiel kann aus einer Sammlung von Gesichtern ein ganz bestimmtes Gesicht erkannt werden, auch wenn davon nur die Augen und die Nase gezeigt werden.
Das Hopfield-Netz ist ein Einschichtenmodell, das genau so viele Neuronen hat, wie Eingabedaten vorhanden sind. Da jede Eingabeeinheit mit jedem Neuron verbunden ist, hat man bei m Eingangsdaten m • m Gewichte zu bestimmen. Das ursprüngliche Hopfield-Modell arbeitet mit bipolaren Eingabedaten (+1 oder -1).

Das Nettoergebnis im Neuron j wird durch Multiplikation aller Eingabesignale xi mit den Gewichten wji dieses Neurons erhalten. Die Übertragungsfunktion ist hier eine einfache Stufenfunktion, wie sie durch die Vorzeichenfunktion (sign) verwirklicht werden kann.

Stufenfunktion als Übertragungsfunktion

Die Stufenfunktion als Übertragungsfunktion

Das Ausgabesignal eines Neurons in einem Hopfield-Netz ergibt sich damit gemäß folgender Gleichung, wobei, wie bereits erwähnt, xi nur die Werte +1 und -1 annehmen kann.


© Prof. Dr. J. Gasteiger, Dr. Th. Engel, CCC Univ. Erlangen, Thu Apr 15 06:31:58 2004 GMT
navigation BMBF-Leitprojekt Vernetztes Studium - Chemie