Computersimulation

Formen von Computersimulationen

Computersimulationen, die auf künstliche neuronale Netze zurückgreifen, lassen sich im Hinblick auf folgende Aspekte unterscheiden (vgl. Rey & Wender, 2010):

• Existenz von Hidden-Units: Hidden-Units sind Einheiten, die sich zwischen der Input- und Output-Schicht befinden. Neuronale Netze können unter anderem danach klassifiziert werden, ob Hidden-Units enthalten sind.
• Art und Weise des Lernprozesses: Grundsätzlich kann man im Hinblick auf den Lernprozess folgende Arten voneinander unterscheiden:
• Supervised learning: Supervised learning bezeichnet man auch als überwachtes oder beaufsichtigtes Lernen. Der korrekte Output – auch als Zielmuster oder teaching vector bezeichnet – wird vorgegeben und an diesem werden die Gewichte (Zahlen, welche die Verbindungsstärke zwischen einzelnen Neuronen in künstlichen neuronalen Netzen charakterisieren) optimiert.
• Reinforcement learning: Beim bestärkenden oder auch verstärkenden Lernen wird dem neuronalen Netz im Gegensatz zum supervised learning lediglich mitgeteilt, ob die produzierte Ausgabe richtig oder falsch war, nicht jedoch, was der exakte Output gewesen wäre.
• Unsupervised learning: Beim nicht überwachten bzw. unbeaufsichtigten Lernen – auch als self-organized learning bezeichnet – wird kein Output vorgegeben. Die Gewichtsveränderungen erfolgen in Abhängigkeit der Ähnlichkeit der Inputreize.
• Direct design methods: Direkte Designmethoden, auch hardwired systems genannt, zeichnen sich dadurch aus, dass die Gewichte hier nicht verändert werden, sondern die Verschaltung vorab festgelegt wird.

reinforcement learningsupervised learningunsupervised learning

direct design methods

• Existenz von Rückkopplungen: Eine weitere Unterscheidung betrifft die Existenz von Rückkopplungen von Neuronen zu anderen Einheiten derselben oder einer vorangegangenen Schicht. Mit diesen Rückkoppelungen werden zumeist zeitlich codierte Informationen in den Daten abgebildet (man spricht daher auch von zeitrekurrenten Netzen). Man unterscheidet:
• Feedforward-Netze: Feedforward-Netze enthalten keine Rückkopplungen. Die Signalweiterleitung erfolgt nur in eine Richtung (unidirektional). Während bei "herkömmlichen" Feedforward-Verbindungen die Signale von Units einer Schicht zu Units der darauffolgenden Schicht weitergegeben werden, können bei sogenannten Shortcut-Verbindungen auch eine oder mehrere (Hidden-) Schichten übersprungen werden.

• 

  Direkte Rückkopplungen (direct feedback): Hier ist eine Unit mit sich selbst verbunden, d.h., dass die Ausgabe der Einheit zu einem Input der gleichen Einheit wird.

direkte Rückkopplung

• Indirekte Rückkopplungen (indirect feedback):

  

  In diesem Fall wird die Ausgabe an vorangegangene Schichten des neuronalen Netzes zurückgesandt.
• Seitliche Rückkopplungen (lateral feedback):

  

  Hier erfolgt die Rückmeldung der Informationen einer Unit an andere Neuronen, die sich in derselben Schicht befinden. Ein biologisches Beispiel für solche seitlichen Rückkopplungen sind die Horizontalzellen im menschlichen Auge.
• Vollständige Verbindungen (Abb. 7): Diese Netze besitzen Verbindungen zwischen sämtlichen Neuronen, wobei in Abb. 7 keine direkten Rückkopplungen eingezeichnet sind.

indirekte Rückkopplungseitliche Rückkopplungvollständige Verbindung