Flache Netze für Mustererkennung, Clustering und Zeitreihen
Neuronale Netze bestehen aus einfachen Elementen, die parallel arbeiten. Diese Elemente sind vom Vorbild des biologischen Nervensystems inspiriert. Genau wie in der Natur bestimmen die Verbindungen zwischen den Elementen weitgehend die Funktion des Netzes. Sie können ein neuronales Netz so trainieren, dass es eine bestimmte Funktion ausführt, indem Sie die Werte der Verbindungen (Gewichtungen) zwischen den Elementen anpassen.
In der Regel werden neuronale Netze so angepasst bzw. trainiert, dass ein bestimmter Eingang zu einem konkreten Zielausgang führt. Eine solche Situation ist in der nächsten Abbildung dargestellt. Hier wird das Netz auf der Grundlage eines Vergleichs von Ausgang und Ziel angepasst, bis der Netzausgang mit dem Ziel übereinstimmt. Normalerweise werden zahlreiche solcher Eingangs-/Zielpaare benötigt, um ein Netz zu trainieren.
Neuronale Netze wurden trainiert, um komplexe Funktionen in verschiedenen Bereichen wie Mustererkennung, Identifizierung, Klassifizierung, Sprache, Visualisierung sowie Steuerungs- und Regelungssysteme auszuführen.
Neuronale Netze können auch trainiert werden, um Probleme zu lösen, die für herkömmliche Computer oder für Menschen nur schwer lösbar sind. Der Schwerpunkt der Toolbox liegt auf der Verwendung von Paradigmen neuronaler Netze, die zu Technik-, Finanz- und anderen praktischen Anwendungen zusammengestellt oder selbst darin eingesetzt werden.
In den folgenden Abschnitten wird erläutert, wie flache neuronale Netze interaktiv trainiert werden, um Probleme in den Bereichen Funktionsanpassung, Mustererkennung, Clustering und Zeitreihen zu lösen. Der Einsatz dieser Tools ist ein hervorragender Einstieg in die Verwendung der Software Deep Learning Toolbox™:
Tipp
Zum interaktiven Erstellen und Visualisieren neuronaler Deep-Learning-Netze verwenden Sie die App Deep Network Designer. Weitere Informationen finden Sie unter Erste Schritte mit Deep Network Designer.
Apps und Funktionen für flache Netze in der Deep Learning Toolbox
Es gibt vier Möglichkeiten, die Software Deep Learning Toolbox zu nutzen.
Die erste Möglichkeit sind ihre Tools. Diese Tools bieten eine komfortable Möglichkeit, auf die Fähigkeiten der Toolbox für die folgenden Aufgaben zuzugreifen:
Die zweite Möglichkeit, die Toolbox zu nutzen, sind grundlegende Befehlszeilenoperationen. Die Befehlszeilenoperationen bieten mehr Flexibilität als die Tools, sind allerdings auch etwas komplexer. Wenn Sie die Toolbox zum ersten Mal nutzen, sind die Tools der beste Einstieg. Darüber hinaus können die Tools Skripte mit dokumentiertem MATLAB®-Programmcode generieren, um Ihnen Vorlagen zum Erstellen eigener angepasster Befehlszeilenfunktionen bereitzustellen. Indem Sie zunächst die Tools verwenden und anschließend MATLAB-Skripte erstellen und abändern, können Sie die Funktionalität der Toolbox auf optimale Weise kennenlernen.
Individuelle Anpassungen sind eine dritte Möglichkeit, die Toolbox zu nutzen. Mit dieser erweiterten Funktion können Sie Ihre eigenen neuronalen Netze erstellen, haben aber weiterhin Zugriff auf die volle Funktionalität der Toolbox. Sie können Netze mit beliebigen Verbindungen erstellen und sind trotzdem weiterhin in der Lage, diese mithilfe der vorhandenen Toolbox-Trainingsfunktionen zu trainieren (solange die Netzkomponenten differenzierbar sind).
Die vierte Möglichkeit, die Toolbox zu nutzen, ist die Abänderung der in der Toolbox enthaltenen Funktionen. Jede Berechnungskomponente wird in MATLAB-Programmcode geschrieben und es kann uneingeschränkt auf sie zugegriffen werden.
Diese vier Stufen der Toolbox-Nutzung decken den Bereich vom Anfänger bis zum Experten ab: Einfache Tools führen den neuen Benutzer durch spezielle Anwendungen und die Netzanpassung ermöglicht es Wissenschaftlern, mit minimalem Aufwand neue Architekturen auszuprobieren. Unabhängig von Ihrem Kenntnisstand in Bezug auf neuronale Netze und MATLAB bietet die Toolbox Funktionen, die Ihren Anforderungen entsprechen.
Automatisches Generieren von Skripten
Die Tools selbst sind ein wesentlicher Bestandteil des Lernprozesses für die Software Deep Learning Toolbox. Sie führen Sie durch den Prozess zur Entwicklung neuronaler Netze, um Probleme in vier wichtigen Anwendungsbereichen zu lösen – und dies auch ohne Vorkenntnisse im Hinblick auf neuronale Netze oder Erfahrung mit der Verwendung von MATLAB. Zudem können die Tools automatisch sowohl einfache als auch fortgeschrittene MATLAB-Skripte erstellen, mit denen sich die vom Tool durchgeführten Schritte reproduzieren lassen, wobei jedoch die Möglichkeit besteht, die Standardeinstellungen zu ändern. Diese Skripte können Ihnen Vorlagen für die Erstellung von benutzerdefiniertem Code bereitstellen und Sie dabei unterstützen, sich mit den Befehlszeilenfunktionen der Toolbox vertraut zu machen. Es wird dringend empfohlen, die Funktion zur automatischen Skripterstellung dieser Tools zu nutzen.
Deep Learning Toolbox – Anwendungsgebiete
Es ist kaum möglich, die gesamte Bandbreite der Anwendungen abzudecken, für die neuronale Netze hervorragende Lösungen geliefert haben. In den verbleibenden Abschnitten dieses Kapitels werden nur einige der Anwendungen in den Bereichen Funktionsanpassung, Mustererkennung, Clustering und Zeitreihenanalyse beschrieben. Die folgende Tabelle vermittelt einen Eindruck von der Vielfalt der Anwendungen, für die neuronale Netze moderne Lösungen bieten.
Branche | Unternehmensanwendungen |
---|---|
Luft- und Raumfahrt | Autopilot für Hochleistungs-Luftfahrzeuge, Flugbahnsimulation, Luftfahrzeug-Steuerungssysteme, Autopilotverbesserungen, Simulation von Luftfahrzeug-Bauteilen und Fehlererkennung bei Luftfahrzeug-Bauteilen |
Automobil- und Fahrzeugindustrie | Automatisches Leitsystem für Kraftfahrzeuge und Analyse von Aktivitäten, die sich auf die Gewährleistung auswirken |
Banken | Lesen von Schecks und anderen Dokumenten sowie Prüfung von Kreditanträgen |
Verteidigung | Waffensteuerung, Objektverfolgung, Objektunterscheidung, Gesichtserkennung, neuartige Sensoren, Sonar-, Radar- und Bildsignalverarbeitung einschließlich Datenkomprimierung, Merkmalsextraktion und Rauschunterdrückung sowie Signal-/Bildidentifizierung |
Elektronik | Vorhersage von Codefolgen, Chip-Layout für integrierte Schaltungen, Prozesskontrolle, Fehleranalyse für Chips, maschinelles Sehen, Sprachsynthese und nichtlineare Modellierung |
Unterhaltung | Animation, Special Effects und Marktprognosen |
Finanzbranche | Immobilienbewertung, Kreditberatung, Hypothekenprüfung, Bewertung von Unternehmensanleihen, Analyse der Kreditrahmenverwendung, Tracking von Kreditkartenaktivitäten, Portfoliohandelsprogramm, Finanzanalyse von Unternehmen und Vorhersage von Währungskursen |
Industrie | Vorhersage von Industrieprozessen, z. B. der Abgase von Öfen, wodurch sich komplexe und kostenintensive Anlagen, die bisher zu diesem Zweck verwendet wurden, ersetzen lassen |
Versicherung | Bewertung von Versicherungsanträgen und Produktoptimierung |
Fertigung | Fertigungsprozesskontrolle, Produktentwicklung und -analyse, Prozess- und Maschinendiagnose, Partikelidentifizierung in Echtzeit, visuelle Qualitätskontrollsysteme, Bieranalysen, Schweißqualitätsanalysen, Papierqualitätsprognosen, Analyse der Qualität von Computerchips, Analyse von Schleifvorgängen, Analyse des Designs chemischer Produkte, Instandhaltungsanalysen für Maschinen, Projektausschreibung, -planung und -management sowie ein System zur dynamischen Modellierung chemischer Prozesse |
Medizin | Analyse von Brustkrebszellen, EEG- und EKG-Analyse, Entwicklung von Prothesen, Optimierung von Transplantationszeiten, Senkung der Krankenhauskosten, Verbesserung der Krankenhausqualität und Beratung bei Tests in der Notaufnahme |
Öl und Gas | Exploration |
Robotik | Bewegungssteuerung, Gabelstaplerroboter, Regelungssysteme für Manipulatoren und Bildverarbeitungssysteme |
Wertpapiere | Marktanalysen, automatische Anleihenbewertung und Beratungssysteme für den Aktienhandel |
Sprache | Spracherkennung, Sprachkomprimierung, Vokalklassifizierung und Text-to-Speech-Synthese |
Telekommunikation | Bild- und Datenkomprimierung, automatisierte Informationsdienste, Echtzeitübersetzung gesprochener Sprache und Systeme zur Verarbeitung von Kundenzahlungen |
Transport | Diagnosesysteme für Lkw-Bremsen, Fahrzeugdisposition und Tourenplanungssysteme |
Schritte zur Entwicklung flacher neuronaler Netze
In den verbleibenden Abschnitten dieses Kapitels werden Sie die Standardschritte zur Entwicklung neuronaler Netze befolgen, um Probleme in vier Anwendungsbereichen zu lösen: Funktionsanpassung, Mustererkennung, Clustering und Zeitreihenanalyse. Der Workflow zur Lösung jedes dieser Probleme besteht aus sieben primären Schritten. (Die Datenerfassung in Schritt 1 ist zwar wichtig, erfolgt aber normalerweise außerhalb der MATLAB-Umgebung.)
Erfassen von Daten
Erstellen des Netzes
Konfigurieren des Netzes
Initialisieren der Gewichtungen und Verzerrungen
Trainieren des Netzes
Validieren des Netzes
Verwenden des Netzes
In den folgenden Abschnitten werden Sie diese Schritte sowohl mithilfe von Tools mit einer grafischen Benutzeroberfläche als auch über die Befehlszeile durchführen:
Siehe auch
Neural Net Fitting | Neural Net Time Series | Neural Net Pattern Recognition | Neural Net Clustering | Deep Network Designer | trainlm
| fitnet