Der Mensch ist in der Lage, Gegenstände und Geräusche zu erkennen und zu identifizieren, auch wenn er diese noch nie zuvor gesehen oder gehört hat. Er erkennt sie nach bestimmten Mustern, die er im Laufe seiner Entwicklung gelernt und gespeichert hat. Während der Leser diese Zeilen liest, erkennt er in Sekundenbruchteilen die Buchstaben und Wörter, auch wenn diese in verschiedenen (unbekannten) Schriftarten oder -größen dargestellt sind. Das menschliche Gehirn ist zur Mustererkennung fähig.
Da der Mensch über eine begrenzte Informationsverarbeitungskapazität verfügt, liegt die Überlegung nahe, mit elektronischen Datenverarbeitungsanlagen (Computer) Mustererkennung nach menschlichem Vorbild durchzuführen.
Wie gut erkennt jedoch ein Computer ein unvollständiges Bild oder ein akustisches Signal, das von Rauschen überdeckt ist? Während der Mensch in der Lage ist, unvollständige Bilder zu komplettieren und Störgeräusche vom eigentlichen Signal zu trennen, steigen in diesen Fällen bei Computern die Fehlerraten bei der Mustererkennung sehr stark. Um dies zu verhindern, werden immer häufiger künstliche neuronale Netze (KNN) eingesetzt. KNN sind Netzsysteme für Computer, die Daten massiv parallel verarbeiten und zudem lernfähig sind. Das bedeutet, dass sie mit jeder Mustererkennung ihr Wissen erweitern und für zukünftige Einsätze verwenden. Die Fehlerraten bei der Mustererkennung unter Einsatz künstlicher neuronaler Netze sinken erheblich.
Inhaltsverzeichnis
1 Einleitung
2 künstliche neuronale Netze
2.1 Das Neuron: Ursprung in der Biologie
2.2 Das künstliche neuronale Netz: Grundlagen, Aufbau
2.3 Lernfähigkeit
2.3.1 überwachtes Lernen
2.3.2 unüberwachtes Lernen
2.4 Netztypen
3 Einsatz zur Mustererkennung
3.1 Grundlagen der Mustererkennung
3.2 Mustererkennungssystem
3.3 KNN und Mustererkennung
3.4 Anwendungsbeispiele aus der Praxis
3.4.1 Bildverarbeitung
3.4.1.1 automatische Objekterkennung von Gepäckprüfanlagen
3.4.1.2 Fehlererkennung an Oberflächen von Werkstücken
3.4.1.3 Gesichtserkennung
3.4.2 Sprachverarbeitung
3.4.3 Schriftverarbeitung
4 Schlussbetrachtung
4.1 Zusammenfassung
4.2 Beurteilung
4.3 Ausblick
Zielsetzung & Themen
Die Arbeit untersucht den Einsatz von künstlichen neuronalen Netzen (KNN) im Bereich der Mustererkennung. Das primäre Ziel ist es, einen fundierten Überblick über die Funktionsweise dieser Netze zu geben und anhand konkreter Praxisbeispiele aufzuzeigen, wie sie die Fehlerraten bei der Identifikation von Mustern in komplexen Datensätzen reduzieren können.
- Grundlagen künstlicher neuronaler Netze und biologische Analogien
- Methodische Ansätze der Lernfähigkeit (überwachtes vs. unüberwachtes Lernen)
- Architekturen und Typen neuronaler Netzwerke
- Praktische Anwendungsfelder in Bild-, Sprach- und Schriftverarbeitung
Auszug aus dem Buch
3.4.1.1 automatische Sichtprüfung bei Gepäckprüfanlagen
In Flughäfen wird das Gepäck der Passagiere mit sogenannten Gepäckprüfanlagen (kurz: GPA) im Hinblick auf gefährliche Objekte wie z.B. Waffen zur Sicherheit im Flugverkehr untersucht. Dabei werden mit Hilfe von Röntgenstrahlen die Gepäckstücke durchleuchtet und deren Inhalt in Form von Grauwertbildern auf einem Monitor dargestellt. Flughafenpersonal wertet diese Bilder aus. Zur Entlastung des Bedienpersonals wurde von VEY und BERMBACH [1991] ein lernfähiges Objekterkennungssystem entwickelt, das die Einstufung in gefährliche und ungefährliche Objekte übernehmen soll.
Die beim Röntgen aufgefangenen Signale werden elektronisch aufgearbeitet und liefern pro Gepäckstück zwei Bilder: ein Lumineszenzbild, das helle Schattierungen bei leichter Durchlässigkeit (z.B. Stoffutter des Koffers) und dunkle bei schwacher Durchlässigkeit (z.B. metallene Gegenstände) der Röntgenstrahlen darstellt und ein Materialbild, das organische (dunkel) und anorganische (hell) Stoffe darstellt. Mit Hilfe dieser beiden Bilder soll nun anhand fest definierter geometrischer Formen die Gefährlichkeit von Objekten ermittelt werden.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung motiviert den Einsatz von KNN durch den Vergleich mit menschlichen kognitiven Fähigkeiten bei der Mustererkennung und definiert das Ziel der Arbeit.
2 künstliche neuronale Netze: Dieses Kapitel erläutert die biologischen Grundlagen des Neurons sowie den technischen Aufbau, die Lernmechanismen und verschiedene Netztypen.
3 Einsatz zur Mustererkennung: Hier werden die theoretischen Grundlagen der Mustererkennung und deren praktische Umsetzung durch KNN in verschiedenen Anwendungsbereichen wie Bild-, Sprach- und Schriftverarbeitung detailliert dargestellt.
4 Schlussbetrachtung: Das Abschlusskapitel fasst die Ergebnisse zusammen, bewertet die Herausforderungen – insbesondere hinsichtlich Rechenaufwand und Trainingsdaten – und wagt einen Ausblick auf zukünftige Entwicklungen.
Schlüsselwörter
Künstliche neuronale Netze, KNN, Mustererkennung, Klassifikation, Bildverarbeitung, Sprachverarbeitung, Schriftverarbeitung, Multilayerperceptron, Lernfähigkeit, Backpropagation, Objekterkennung, Feature Extraction, Assoziativspeicher.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der technischen Anwendung künstlicher neuronaler Netze zur automatisierten Erkennung von Mustern in unterschiedlichen Datenformaten.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die Architektur neuronaler Netze, deren Lernprozesse und die praktische Implementierung in sicherheitsrelevanten oder industriellen Bereichen.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, den Nutzen von KNN als Werkzeug zur Verbesserung der Erkennungsgenauigkeit gegenüber konventionellen Methoden aufzuzeigen.
Welche wissenschaftliche Methode wird verwendet?
Es wird ein systematischer Literaturüberblick erstellt, der Funktionsweisen und Anwendungsbeispiele künstlicher neuronaler Netze auf Basis bestehender Forschungsergebnisse analysiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der Netze und eine detaillierte Ausarbeitung von Fallbeispielen aus der Bild-, Sprach- und Schriftverarbeitung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Künstliche neuronale Netze, Mustererkennung, Lernfähigkeit und Anwendungsbeispiele charakterisiert.
Warum sind bei der Gesichtserkennung oft so große Trainingsdatenmengen erforderlich?
Aufgrund der hohen Variabilität menschlicher Gesichter durch Mimik, Beleuchtung oder Perspektive ist eine sehr breite Datenbasis nötig, um das System robust für verschiedene Szenarien zu trainieren.
Welchen Vorteil bietet die Verwendung von Netzen dritter Ordnung?
Diese Netze ermöglichen eine deutlich reduzierte Trainingsphase, da die Objekte nicht in unzähligen Variationen, sondern oft nur in einer definierten Position trainiert werden müssen.
- Quote paper
- Vera Vockerodt (Author), 2001, Einsatz neuronaler Netze zur Mustererkennung, Munich, GRIN Verlag, https://www.grin.com/document/7231
