Entwicklungsumgebung für Künstliche Neuronale Netze

1995 ◽  
Vol 90 (3) ◽  
pp. 126-126
2006 ◽  
Vol 17 (2) ◽  
pp. 76-87 ◽  
Author(s):  
Florentina Maria Fritz

Zusammenfassung. Die Wirkung von Musik auf den Menschen ist unumstritten und kann mit Hilfe naturwissenschaftlicher Methoden untersucht werden. Eine neu entwickelte Methode zur Analyse der Synchronisation zwischen Musik und Hörer bzw. Musiker soll in Folge unterstützt durch ein künstliches neuronales Netz dargestellt werden. Dieser Ansatz ermöglicht einen direkten Vergleich zwischen physiologischen und musikalischen Daten und schafft dadurch eine Möglichkeit, die Wirkung von Musik auf den Menschen zu untersuchen. Künstliche neuronale Netze lassen sich sehr vielseitig einsetzen, so beispielsweise im Bereich der Mustererkennung. Im Speziellen ist es Aufgabe des eingesetzten neuronalen Netzes, biologische Zustände vegetativer Funktionen des Menschen (vegetativ-emotionale Reaktionen, charakterisiert durch den Parameter Hautwiderstand, vegetativ-nervale Reaktionen, bestimmt durch den Parameter Hautpotenzial, und motorisch-muskuläre Reaktionen, bestimmt durch den Parameter EMG) und “musikalische Zustände“ in musikalischen Parametern (durchschnittlicher Lautstärkewechsel, aufsummiert normiertes Frequenzdichtespektrum und Tonfolgedichte) zu klassifizieren. Zu diesem Zwecke wird zunächst die Methodik der Chronobiologischen Regulationsdiagnostik nach Hecht/Balzer beschrieben, welche sich im Wesentlichen mit der Analyse von Perioden und Rhythmen in Zeitreihen befasst, und im weiteren Verlauf dieses Beitrags in weiterentwickelter Form als Grundlage für die Klassifizierung durch das neuronale Netz dient. Die Ergebnisse des entwickelten neuronalen Netzes werden evaluiert und erste praktische Anwendungsbeispiele des Netzes aus dem Bereich Musikwirkung präsentiert sowie eine Relevanz der vorgestellten Methodik im Bereich der Musiktherapie angesprochen.


2020 ◽  
Vol 68 (8) ◽  
pp. 612-624
Author(s):  
Max Pritzkoleit ◽  
Robert Heedt ◽  
Carsten Knoll ◽  
Klaus Röbenack

ZusammenfassungIn diesem Beitrag nutzen wir Künstliche Neuronale Netze (KNN) zur Approximation der Dynamik nichtlinearer (mechanischer) Systeme. Diese iterativ approximierten neuronalen Systemmodelle werden in einer Offline-Trajektorienplanung verwendet, um eine optimale Rückführung zu bestimmen, welche auf das reale System angewandt wird. Dieser Ansatz des modellbasierten bestärkenden Lernens (engl. model-based reinforcement learning (RL)) wird am Aufschwingen des Einfachwagenpendels zunächst simulativ evaluiert und zeigt gegenüber modellfreien RL-Ansätzen eine signifikante Verbesserung der Dateneffizienz. Weiterhin zeigen wir Experimentalergebnisse an einem Versuchsstand, wobei der vorgestellte Algorithmus innerhalb weniger Versuche in der Lage ist, eine für das System optimale Rückführung hinreichend gut zu approximieren.


2021 ◽  
Vol 26 (11) ◽  
pp. 43-45
Author(s):  
Kathrin Reisinger

Forscher am Nationalen Centrum für Tumorerkrankungen Dresden haben ein Computersystem entwickelt, das mithilfe künstlicher Intelligenz eine akute myeloische Leukämie (AML) präzise erkennen kann. Ärzte und Informatiker des Uniklinikums und der TU Dresden entwickelten künstliche neuronale Netze, die sie mit digitalen Bilddaten von Knochenmarkausstrichen trainierten.


2018 ◽  
Vol 09 (02) ◽  
pp. 71-71
Author(s):  
Susanne Krome

Deep Learning basiert auf der Fähigkeit des Computers, aus Beispielen zu lernen. Grundlage sind umfangreiche, klassifizierte Datensätze und künstliche neuronale Netze mit vielen Ebenen, welche das menschliche Gehirn imitieren und die Automatisierung intelligenten Verhaltens ermöglichen. In CAMELYON16 traten zwölf erfahrene Pathologen in Wettbewerb mit 32 Algorithmen für die Detektion von Lymphknotenmetastasen bei Mammakarzinomen.


2019 ◽  
pp. 149-161 ◽  
Author(s):  
Leon Hetzel ◽  
Frederik Wangelik

Sign in / Sign up

Export Citation Format

Share Document