Einsatz  neuronaler Netze zur Mustererkennung  2

Inhaltsverzeichnis

Abbildungsverzeichnis   2

Abk  ürzungsverzeichnis  2

1  Einleitung  3

2  künstliche neuronale Netze  4

2.1  Das Neuron: Ursprung in der Biologie  4

2.2  Das künstliche neuronale Netz: Grundlagen, Aufbau  5

2.3  Lernfähigkeit  6

2.3.1  überwachtes Lernen  6

2.3.2  unüberwachtes Lernen  7

2.4  Netztypen  8

3  Einsatz zur Mustererkennung  9

3.1  Grundlagen der Mustererkennung  9

3.2  Mustererkennungssystem  11

3.3  KNN und Mustererkennung  12

3.4  Anwendungsbeispiele aus der Praxis  13

3.4.1  Bildverarbeitung  13

3.4.1.1  automatische Objekterkennung von Gepäckprüfanlagen  13

3.4.1.2  Fehlererkennung an Oberflächen von Werkstücken  15

3.4.1.3  Gesichtserkennung  16

3.4.2  Sprachverarbeitung  17

3.4.3  Schriftverarbeitung  18

4  Schlussbetrachtung  19

4.1  Zusammenfassung  19

4.2  Beurteilung  20

4.3  Ausblick  20

Literaturverzeichnis   22

Einsatz neuronaler Netze zur Mustererkennung 3 Abbildungsverzeichnis Abbildung 1: Nervenzelle 4

Abbildung 2: künstliches neuronales Netz 6

Abbildung 3: Mustererkennungssystem 11

Abbildung 4: Blockschaltbild des Gesamtsystems von GPA 14

Abbildung 5: Rasterbilder für Ziffernerkennung 19

Abkürzungsverzeichnis

bspw. beispielsweise et al. und andere etc. et cetera ff. folgende ggf. gegebenenfalls GPA Gepäckprüfanlage KNN künstliches neuronales Netz MHz Megahertz o. ä. oder ähnliches o. g. oben genannt SES Spracherkennungssystem u. a. unter anderem usw. und so weiter vgl. vergleiche z. B. zum Beispiel

Einsatz neuronaler Netze zur Mustererkennung 4

1 Einleitung

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.

Die Entwicklung KNN begann bereits Ende der 50er Jahre. Es entstanden eine Vielzahl von Netzen, die zu erläutern den Rahmen dieser Seminararbeit sprengen würde. Daher werden unter 2.4 exemplarisch nur die am häufigsten eingesetzten Netztypen kurz erläutert.

Ziel dieser Arbeit ist, einen Überblick über Einsatzmöglichkeiten künstlicher neuronaler Netze zur Mustererkennung zu schaffen. Dazu werden zunächst die Grundlagen von KNN und der Mustererkennung erläutert, deren gemeinsamer praktischer Ein- satz abschließend beispielhaft dargestellt wird.

Einsatz neuronaler Netze zur Mustererkennung 5

2 künstliche neuronale Netze 2.1 Das Neuron: Ursprung in der Biologie

„[Künstliche] neuronale Netze können als technische Umsetzung der Gehirnfunktion verstanden werden.“ (HOFFMANN [1993, S. 1])

Das menschliche Gehirn besteht aus ca. 10 ¹¹ Nervenzellen, von denen jede mit etwa hundert bis zehntausend anderen verbunden ist. Eine Nervenzelle - auch Neuron genannt - setzt sich aus einem Zellkörper, einem Axon (Nervenfaser) und den Dendriten zusammen.

Abbildung 1: Nervenzelle

(Quelle: modifiziert o. V. Meile neuronale Netze. http://rfhs8012.fh-regensburg.de-/~saj39122/meile/indexG.htm, Druckdatum 03.03.2001) Die Dendriten bilden Signaleingänge, die mit Ausgängen anderer Neuronen verknüpft sind. Das Axon ist als Signalausgang mit Dendriten anderer Nervenzellen verbunden. Die Verbindung zwischen dem Axon eines Neurons und den Dendriten eines anderen Neurons stellen die synaptischen Endköpfe (kurz Synapsen) her. Sie summieren die von den Neuronen kommenden elektrischen Eingangsimpulse und leiten sie (je nach Impuls) gehemmt oder verstärkt weiter. Dabei können die Synapsen ihre hemmende oder verstärkende (auch: erregende) Wirkung ändern, wodurch ihnen eine entscheidende Rolle im Lernvorgang zugewiesen wird. Wenn die summierten Eingabesignale einen gewissen Schwellenwert überschreiten, wird das Neuron aktiv und sendet über das Axon einen elektrischen Impuls an die nachgeschalteten Neuronen. (in Anlehnung an: BERNS, K./KOLB, T. [1994])

Analog zu den biologischen Vorbildern hat ein künstliches Neuron mehrere Eingänge, die den Dendriten entsprechen und einen Ausgang, der dem Axon entspricht. Die Verbindung von zwei künstlichen Neuronen bildet ein sogenannter Knotenpunkt, der einer Synapse ähnelt. Die Knotenpunkte bzw. Synapsen bilden Gewichtungen, über die ein Signal von einem Neuron gehemmt oder verstärkt an ein anderes Neuron wei-

Einsatz neuronaler Netze zur Mustererkennung 6

tergegeben wird. Erhält ein Neuron dieses gewichtete Signal, berechnet es daraus einen effektiven Eingangswert. Aus diesem ergibt sich mit Hilfe einer Aktivierungsfunktion der Aktivierungszustand des Neurons (aktiv oder inaktiv). Ist das Neuron aktiv, transformiert es den effektiven Eingangswert in einen Ausgangswert und sendet diesen an ein anderes Neuron. (vgl. HOFFMANN [1993, S. 14 ff.]) Die Trans-formation des Eingangswertes in einen Ausgangswert erfolgt durch verschiedene mathematische Funktionen. Es können auch mehrere Eingangswerte summiert werden, die erst bei Erreichen eines bestimmten Schwellenwertes dazu führen, dass ein Neuron aktiv wird. Eine übersichtliche Darstellung einiger mathematischer Beispiele finden sich in HOFFMANN [1993].

2.2 Das künstliche neuronale Netz: Grundlagen, Aufbau

Von außen gesehen unterscheidet sich ein KNN nicht von einem herkömmlichen Computer. Computer und KNN erhalten Daten von der Außenwelt, verarbeiten diese und geben Daten wieder an die Außenwelt aus. Unterschiedlich ist allerdings die Verarbeitung der Daten. Im herkömmlichen Computer werden Daten durch ihre Adresse identifiziert und nach streng logischen Abläufen verarbeitet, was durch einen zentralen Prozessor gesteuert wird. Unterstützt wird diese leicht überschaubare und planbare Verarbeitung durch Programme und Datenspeicher. In einem KNN existiert kein Programm, kein Datenspeicher ¹ und kein Prozessor. Es arbeiten eine Vielzahl von Verarbeitungselementen (Neuronen) über unzählige Verbindungen zusammen, ohne dass sich einzelne Abläufe erkennen lassen. Diese parallele Verarbeitung führt einerseits zu einer extremen Leistungsfähigkeit, andererseits zur Undurchschaubarkeit und damit auch schlechter Planbarkeit von KNN. (siehe: HOFFMANN [1993])

Ein KNN funktioniert nach dem bekannten EVA-Prinzip - also Eingabe, Verarbeitung und Ausgabe von Daten - und ist in den meisten Fällen in Eingabe- (engl. Input Layer), Verarbeitungs- (engl. Hidden Layer) und Ausgabeschicht (engl. Output Layer) unterteilt. Es gibt jedoch auch einfache KNN, die nur aus Eingabe- und Ausgabeschicht bestehen. Die Verarbeitungsschicht wird oftmals als verdeckte Schicht bezeichnet. In jeder Schicht befinden sich mehrere Neuronen, die miteinander verknüpft sind und in verschiedenen Richtungen arbeiten können.

¹ Es gibt keinen Datenspeicher im herkömmlichen Sinne. Allerdings existieren Bestandteile im KNN,

die bestimmen, welche Daten in der Ausgabeschicht erscheinen.