Das menschliche Gehirn empfängt eine Fülle unterschiedlicher Reize über verschiedene Sinnesorgane, wobei die visuelle Wahrnehmung in diesem Zusammenhang ein bedeutendes Gebiet darstellt. Der Mensch ist in der Lage aus einer großen Menge visueller Reize bestimmte Signale innerhalb kürzester Zeit herauszufiltern und richtig zu interpretieren. Probleme ergeben sich allerdings bei der Portierung der natürlichen Mustererkennung auf Computersysteme. Nach dem derzeitigen technischen Stand können Computer Daten zwar um ein vielfaches schneller verarbeiten, als unser Gehirn, sind aber dennoch mit Mustererkennungsaufgaben überfordert, die das Gehirn in kürzester Zeit erfolgreich durchführt. Ein Ansatz zur Nachahmung des natürlichen Mustererkennungsprozesses sind künstliche neuronale Netze als stark vereinfachte Modelle des Gehirns. Besonders das Neokognitron verspricht eine hohe Eignung zur Umsetzung dieser Aufgabe. Dieses Buch gibt zunächst eine Einführung in das Gebiet der Mustererkennung und vermittelt die notwendigen Grundlagen zu künstlichen neuronalen Netzen. Der Fokus liegt auf der strukturellen und funktionalen Darstellung des ursprünglichen Neokognitrons bei der Mustererkennung. Den dabei identifizierten Problemen begegnet man mit verschiedenen Erweiterungen, deren wesentliche Eigenschaften im Überblick dargestellt werden. Zur Veranschaulichung der praktischen Leistungsfähigkeit werden Anwendungen aufgezeigt, für die das Neokognitron implementiert wurde. Neben dem Neokognitron wird auch das binäre Hopfield-Netz als klassisches künstliches neuronales Netz zur Mustererkennung erläutert. Entsprechend dieser Ausführungen wurde zusätzlich zum vorliegenden Buch ein E-Learning Modul für binäre Hopfield Netze prototypisch implementiert und wird hier vorgestellt.

Textprobe: Kapitel 2, Mustererkennung: One of the most interesting aspects of the world is that it can be considered to be made up of patterns. A pattern is essentially an arrangement. It is characterized by the order of the elements of which it is made, rather than by the intrinsic nature of these elements. (Norbert Wiener). Im Unterschied zur digitalen Datenverarbeitung, nehmen Menschen alle Informationen ihrer Umgebung als natürliche Muster wahr. Zum Beispiel ist eine Telefonnummer für einen Computer eine Reihe ganzer Zahlen, wohingegen ein Mensch diese als ein Muster wahrnimmt und entsprechend interpretiert. Ausgangspunkt des Buches ist die natürliche visuelle Wahrnehmung als Teilbereich der natürlichen Mustererkennung, deren Funktion auf Basis der Neuroanatomie des visuellen Systems realisiert wird. In diesem Kontext wird Mustererkennung im weiten Sinne als maschineller Prozess zur Nachahmung natürlicher visueller Wahrnehmungsleistungen verstanden. Ein Muster ist dabei die quantitative Beschreibung eines Objektes in Form eines statischen, zweidimensionalen Bildes, wobei ein Objekt u.a. durch eine Vielzahl von physikalisch meßbaren Größen charakterisiert ist. Für die genaue Darstellung eines Objektes steht eine Menge vieler verschiedener Beschreibungen zur Verfügung, die zusammen den Darstellungsraum bilden. Insgesamt ist diese visuelle Mustererkennung eng mit der digitalen Bildverarbeitung (digital image processing) und dem computergestützten Sehen (computer vision) verknüpft, wobei diese Gebiete andere Ziele verfolgen. Vor diesem Hintergrund wird im ersten Abschnitt zunächst ein allgemeiner Mustererkennungsprozess dargestellt. Dieser Prozess dient der Durchführung verschiedener Mustererkennungsaufgaben, wobei die wesentlichen Aufgaben im zweiten Abschnitt identifiziert werden. Abschließend motiviert der dritte Abschnitt den Einsatz von KNN zur Implementierung dieser Aufgaben. 2.1 Mustererkennungsprozess: Der Mustererkennungsprozess wird als ein sequentieller Prozess nach Abb. 2.1 angenommen, der sich an dem Ablauf der natürlichen visuellen Wahrnehmung orientiert. Diese beinhaltet allgemein die Wahrnehmung und die Interpretation von Mustern auf Basis zuvor wahrgenommener und gelernter Muster. Das Ziel ist damit die Zuordnung des Darstellungsraumes in einen Interpretationsraum, so dass maschinell von der Beschreibung eines Objektes auf das Objekt geschlussfolgert wird. Die Durchführung dieses Prozesses bezieht sich jeweils auf einen begrenzten Anwendungsbereich und legt eine mit physikalischen Geräten messbare Umgebung zugrunde. In diesem Prozess lassen sich die Lernphase und die Einsatzphase unterscheiden. Die Lernphase basiert auf einer Stichprobe von Mustern des Anwendungsbereichs und dient dem Aufbau einer Wissensbasis, auf die in der Einsatzphase zurückgegriffen wird (siehe Abbildung 2.1: Mustererkennungsprozess). Der erste Schritt ist die Mustererfassung, in der die Auswahl geeigneter Sensoren nach bestimmten Kriterien und die eigentliche Aufnahme (sensoring) von Mustern erfolgen. Bedeutend für die Sensorauswahl sind vor allem der Anwendungsbereich und die benötigten Messgrößen. Das Ergebnis der Aufnahme ist ein Muster in Form physikalischer Messdaten, welches entsprechend weiterverarbeitet wird. Die Vorverarbeitung (pre-processing) umfasst verschiedene Aufgaben, von denen die Kodierung und Transformation die Kernaufgaben sind. Unter Kodierung wird die Digitalisierung der Sensordaten verstanden, wobei der Definitions- und Wertebereich der erfassten Messwerte diskretisiert werden und dadurch ein digitales Muster entsteht. Dieses Muster wird in ein geeigneteres Muster transformiert, wobei u.a. Fehlerkorrekturen durch Normalisierung und Filterung durchgeführt werden. Die Aufgaben der Vorverarbeitung werden durch den Einsatz von Methoden der digitalen Bildverarbeitung realisiert. Segmentierung (segmentation) wird immer dann durchgeführt, wenn ein komplexes Muster erfasst wurde, das aus mehreren Objekten besteht. Auf Basis deren spezifischer Merkmale werden die einzelnen Objekte segmentiert und durchlaufen den Prozess der Mustererkennung als eigenständige Muster weiter. Die Merkmalsgewinnung (feature extraction) umfasst zunächst die Auswahl einer Menge quantitativer Merkmale (features), die sich aus dem Muster ableiten lassen. Dabei handelt es sich entweder um einzelne Messwerte oder eine Funktion von Messwerten. Die gewählten Merkmale sollten sich für die folgende Mustererkennungsaufgabe eignen, damit diese optimal durchgeführt werden kann. Auf die entsprechend ausgewählten Merkmale wird das Muster anschließend reduziert. Das Ergebnis der Merkmalsgewinnung ist ein Merkmalsvektor (feature vector ), der das Muster reduziert repräsentiert und sich maschinell verarbeiten lässt. Der Kern des Mustererkennungsprozesses ist die Durchführung einer bestimmten Mustererkennungsaufgabe für den gegebenen Merkmalsvektor. Diese Eingabe wird als Eingabemuster bezeichnet und die Ausgabe als Ausgabemuster. Die Charakteristik des Ausgabemusters wird durch die eingesetzte Mustererkennungsaufgabe bestimmt. Die Qualität des Ergebnisses der Mustererkennungsaufgabe ist abhängig von der zuvor durchgeführten Merkmalsgewinnung, wodurch das Zusammenspiel zwischen Merkmalsgewinnung und Mustererkennungsaufgabe von wesentlicher Bedeutung ist. In einigen Literaturquellen bezieht sich Mustererkennung ausschließlich auf eine oder mehrere konkrete Mustererkennungsaufgaben. Das Ergebnis der Mustererkennungsaufgabe kann in vielen Fällen nicht unverändert zur Weiterverarbeitung übernommen werden. Aus diesem Grund erfolgt abschließend eine adäquate Nachbearbeitung, nach der die maschinelle Interpretation des Musters abgeschlossen ist.

• Neokognitron

• Hopfield Netz

• Mustererkennung

• künstliche neuronale Netze

• E-Learning

Raoul Privenau wurde 1982 in Halle an der Saale geboren. Nach seiner Hochschulreife entschied sich der Autor für ein Studium der Wirtschaftsinformatik an der Martin-Luther-Universität Halle-Wittenberg. Das Diplomstudienfach schloss er im Jahr 2011 erfolgreich mit der Gesamtnote 1,4 ab. Während seiner Studienzeit spezialisierte sich der Autor auf die Bereiche Softcomputing, E-Business sowie Datenbanken und erwarb darüber hinaus fundierte Kenntnisse im Operations Research und der Volkswirtschaftslehre. Im Rahmen verschiedener langjähriger wissenschaftlicher Nebentätigkeiten sammelte der Autor vor allem Erfahrungen in den Bereichen Web-Engineering und IT-Sicherheit. Zurzeit ist der Autor als Anwendungsentwickler in der Energiebranche beschäftigt. Die durch die spezifischen Studieninhalte entwickelte sich beim Autor ein verstärktes Interesse für künstliche neuronale Netze und Softwaretechnik, woraus die Thematik dieses Buches entstanden ist.