Zusammenfassung
Die im vorangehenden Kapitel behandelten Hopfield-Netze, die spezielle rückgekoppelte Netze sind, sind in ihrer Struktur stark eingeschränkt. So gibt es etwa keine versteckten Neuronen und die Gewichte der Verbindungen müssen symmetrisch sein. In diesem Kapitel betrachten wir dagegen rückgekoppelte Netze ohne Einschränkungen. Solche allgemeinen rückgekoppelten neuronalen Netze eignen sich sehr gut, um Differentialgleichungen darzustellen und (näherungsweise) numerisch zu lösen. Außerdem kann man, wenn zwar die Form der Differentialgleichung bekannt ist, die ein gegebenes System beschreibt, nicht aber dieWerte der in ihr auftretenden Parameter, durch das Training eines geeigneten rückgekoppelten neuronalen Netzes mit Beispieldaten die Systemparameter bestimmen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Kruse, R., Borgelt, C., Braune, C., Klawonn, F., Moewes, C., Steinbrecher, M. (2015). Rückgekoppelte Netze. In: Computational Intelligence. Computational Intelligence. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-10904-2_9
Download citation
DOI: https://doi.org/10.1007/978-3-658-10904-2_9
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-10903-5
Online ISBN: 978-3-658-10904-2
eBook Packages: Computer Science and Engineering (German Language)