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

Künstliches Neuronenmodell

Jedes Neuron hat eine große Zahl von Dendriten und kann damit gleichzeitig viele Signale erhalten. Diese m Signale vereinigen sich zu einem kollektiven Signal. Die Art und Weise, wie sich dieses kollektive Signal Net aus den Einzelsignalen zusammensetzt, ist noch nicht genau bekannt.
Bei der Entwicklung eines künstlichen Neurons werden zwei Annahmen gemacht:

  1. Das Nettosignal Net ist eine Funktion aller Signale, die in einem bestimmten Zeitintervall im Neuron ankommen, und aller Synapsenstärken.
  2. Die Funktion wird meist gleich der Summe der Signale si gesetzt, die sich als Produkte der Eingabesignale xi (i=1, ..., m) und der Synapsenstärken wi (i=1, ..., m), jetzt Gewichte genannt, ergeben.

Neuronenmodell

Erste Stufe eines Neuronenmodells.

Das Nettosignal ist noch nicht das Signal, das weitergegeben wird, denn dieser kollektive Wert Net kann sehr groß oder auch negativ werden. Gerade diese letzte Eigenschaft kann die Wirklichkeit nicht gut wiedergeben: Ein Neuron feuert oder auch nicht, aber was soll ein negatives Nettosignal bedeuten? Um ein realistischeres Modell zu erhalten, wird der Wert von Net deshalb durch eine Übertragungsfunktion modifiziert. Am häufigsten wird dabei eine sigmoide Funktion, auch logistische oder Fermi-Funktion genannt, verwendet.

Mit dieser Übertragungsfunktion wird ein Wertebereich des Ausgangssignals out zwischen Null und Eins erzwungen (ob nun Net groß, klein oder auch negativ ist). Man hat nun einen nichtlinearen Zusammenhang zwischen Eingabe- und Ausgabesignal und kann damit nichtlineare Beziehungen zwischen Eigenschaften darstellen, was mit statistischen Verfahren oft schwierig ist. Darüber hinaus besitzt man mit a und J zwei Parameter, mit denen man die Funktion des Neurons beeinflussen kann.

Einfluß der Parameter

Einfluß der Parameter a (a) und J (b) auf das gemäß der Übertragungsfunktion definierte Ausgabesignal outj.

Die Übertragungsfunktion vervollständigt das Modell des Neurons.

vollständige Neuronenmodell

In der Abbildung eines vollständigen Neuronenmodells a) sind die Synapsenstärken oder Gewichte w noch wie in der vorigen Abbildung dargestellt; im weiteren werden sie, wie in Abbildung b), nicht mehr gezeichnet, sind aber selbstverständlich noch zu verwenden.


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