Wahlmodul Künstliche Neuronale Netze

Credits Workload Kontaktzeit Selbststudium Dauer
6 CP180 h 3 SWS (45 h)135 h1 Semester

Teilnahmevoraussetzungen

Grundkenntnisse in Linearer Algebra und Analysis (Lösung von Differentialgleichungssystemen)

Lehrveranstaltungen

Veranstaltung/ Lehrform CP SWS Häufigkeit
Vorlesung und Übung Künstliche Neuronale Netze 6 CP 3 SWS SoSe, jährlich

Prüfungsleistung

Mündliche Prüfung (30min) oder schriftliche Prüfung (90min)

Note

Lernergebnisse / Kompetenzen

Nach erfolgreichem Abschluss des Moduls sind die Studierenden mit den fundamentalen Eigenschaften etablierter biologischer und artifizieller Synapsen- und Neuronenmodelle vertraut. Sie kennen etablierte Netzwerkarchitekturen zur elementaren Informationsverarbeitung wie z.B. MLPs, SOMs, AMs und ART Netzwerke. Sie können Netzwerke hinsichtlich ihrer Leistungsfähigkeit theoretisch analysieren, für Anwendungen parametrisieren und anwendungsabhängig Lernregeln für das Netzwerktraining formulieren. Die Studierenden kennen die besonderen Anforderungen, die speziell für eine nanoelektronische Hardwareimplementierung neuronaler Netze bestehen und sind mit den aktuellen Entwicklungen zur pulscodierten Signalverarbeitung in neuronalen Netzen vertraut.

Inhalte

  • Biologische Grundlagen von Neuronen und Synapsen sowie Darstellung und mathematische Modellierung ihrer Lern- und Adaptionsfähigkeit.
  • Darstellung klassischer Netzwerkmodelle wie z.B. Rosenblatts Percepton, Multilayer Perceptons, Radial Basis Functions, Support Vector Machines, Self-Organizing Maps und Associative Memories zusammen mit Lernverfahren wie z.B. Hebb'sches Lernen unter Berücksichtigung unterschiedlicher Abstraktionsgrade für die Modellierung von Neuronen und Synapsen.
  • Präsentation neuerer Arbeiten im Bereich der pulscodierten neuronalen Netze in Erweiterung zu den klassischen Netzwerkmodellen.
  • Konzepte der Signaldarstellung durch Pulsraten, Pulskorrelation und Pulssynchronisation ausgehend von der spezifischen Dynamik von Pulsneuronen.
  • Darstellung der Bedeutung schnellveränderlicher dynamischer Synapsen für die robuste neuronale Informationsverarbeitung unter Betrachtung einer einfachen Anwendung zur Merkmalsextraktion und Objekterkennung innerhalb visueller Szenen.
  • Ausblick auf hardwarenahe Implementierung künstlicher neuronaler Netze für die realzeitfähige Systemrealisierung.

Integrierte Übungen zur Vertiefung einzelner Fragestellungen begleitend zur Vorlesung.

Alternative Wahlmodule zu diesem Modul

Dieses Modul gehört zur Gruppe "Wahlbereich FB6". Es kann entweder ein weiteres Fach aus dem Wahlpflichtbereich gewählt werden oder eines der folgenden Module. Das Modul ist unbenotet.

Modulzuordnung

Master of Science: Fach Grundlagen der Elektrotechnik

Disclaimer

Bitte beachten Sie, dass im Zweifel (z.B. sich widersprechende Angaben auf der Website und dem Modulhandbuch) für Ihr Studium immer die Angaben in der aktuellen Bachelorprüfungsordnung mit den entsprechenden Anhängen verbindlich sind. Wenden Sie sich bitte an die Fachstudienberatung, wenn Ihnen Unstimmigkeiten auffallen.