Künstliche neuronale Netze

Künstliche neuronale Netze
Künstliche Intelligenz

Aufbau künstlicher neuronaler Netze

Die Anwendung künstlicher Intelligenz ermöglicht völlig neue Analysemöglichkeiten von großen Datenmengen, durch welche sich gezielt Muster und Anomalien erkennen lassen.

Der Wunsch intelligentes menschliches Verhalten in Maschinen abzubilden, also die künstliche Intelligenz (KI) von Rechenmaschinen, beschäftigt die Wissenschaft schon fast ein Jahrhundert. Die abstrakte Beschreibung des Problems ist die Simulation von intelligentem Verhalten innerhalb einer bestimmten Umgebung. Im Jahr 1931 wurden bereits die ersten Grundlagen in Logik und theoretischer Informatik von Kurt Gödel, Alonso Church und Alan Turing zu diesem Gebiet gelegt und fortwährend weiterentwickelt. Bei der Realisierung von KI engl. Artificial Intelligence (AI) stellt sich zunächst die Grundfrage der konkreten Umsetzung eines solchen intelligenten Systems. Nach langjähriger Forschung und stetig wachsender Leistungsfähigkeit von Computersystemen haben Ansätze, welche sich an biologischen Prozessen orientieren, besonders an Bedeutung gewonnen. Diese Herangehensweise sieht ein System vor, welches durch aufbereitetes Wissen eine sukzessive Anpassung durchläuft und dadurch automatisierten Schlussfolgerungen mittels eines Regelsystems ziehen kann. In diesem Kontext spricht man bei der gezielten und selbständigen Anpassung auch von Lernen.  Im Allgemeinen wird bei solchen Systemen zwischen Wissen und dem Programm, welches dieses Wissen verwendet, dem Inferenzmechanismus, einem sogenannten Agenten unterschieden. Dabei steht das Wissen in einer Wissensbasis zur Verfügung und wird von Agenten, welche aus diesen Eingangswerten Ausgabedaten generieren, weiterverarbeitet. Dieses Vorgehen begünstigt die Entwicklung von unspezifischen Lösungsverfahren und erlaubt die Anwendung auf nahezu beliebige Wissensbasen. Gebräuchliche Umsetzungen von Inferenzmechanismen sind künstliche neuronale Netze (KNN), evolutionäre Algorithmen und Fuzzy-Systeme. Für das vorliegende Projekt ist diese Art von KI insbesondere interessant, da es sich hierbei um eine universelle Lösung für ein nicht näher klassifiziertes Problem handelt. Durch den Lernprozess passt sich der Algorithmus theoretisch jeder Problemlösung selbstständig an. Die neusten Entwicklungen auf diesem speziellen Gebiet der \gls{KI} finden sich im Bereich des Deep Learning. Dadurch kann das manuelle Klassifizieren und Aufbereiten der Wissensbasis entfallen und wird alleine durch den Algorithmus selber umgesetzt. Bei diesem Verfahren werden die Daten auf mehreren Ebenen nach Komplexität von Merkmalen in den Rohdaten klassifiziert. Die Ausgabe des Algorithmus liefert letztlich nutzbare Eingabedaten für den nachgelagerten Lernprozess.

Im Gegensatz dazu, existiert auch ein zielorientiertes Problemlösungsverfahren, bei denen ein optimales Lösungsverfahren der spezifischen Aufgabenstellung angepasst wird. Diese Art von Verfahren haben oftmals Vorteile in Laufzeit und Ergebnisgüte, setzen aber spezifische Lösungsalgorithmen voraus und werden deshalb nur auf spezifische Probleme angewendet.

Schematische Darstellung eines einzelnen Neurons innerhalb eines künstlichen neuronalen Netzes
  1. Kruse, C. Borgelt, C. Braune, F. Klawonn, C. Moewes und M. Steinbrecher, Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze, Ser. Computational Intelligence. Springer Fachmedien Wiesbaden, 2015 (siehe S. 57, 59)
  2. Hoffmann, Markus: Planung eines Energiespeichersystems zur Optimierung von bestehenden PV-Systemen mit Netzeinspeisung durch Prognose von Eigenverbrauch und Einspeiseleistung, 20175 (siehe S. 57, 59)


Technisches Glossar

Kommunikationsprotokoll MQTT

MQTT (Message Queuing Telemetry Transport) ist ein modernes und schlankes Übertragungsprotokoll für die ereignisgesteuerte Kommunikation zwischen vernetzten Geräten (M2M). weiter

Zuletzt aktualisiert am 14.08.2018 von M. Hoffmann.

Künstliche neuronale Netze

Die Anwendung künstlicher Intelligenz ermöglicht völlig neue Analysemöglichkeiten von großen Datenmengen, durch welche sich gezielt Muster und Anomalien erkenn lassen. weiter

Zuletzt aktualisiert am 19.02.2018 von M. Hoffmann.

German

Über uns

Das junge Ingenieurbüro befasst sich mit den Kernthemen Elektronik- und Softwareentwicklung. Neben dem Entwurf einzelner Komponenten agieren wir federführend bei der Integration komplexer Einzelsysteme zu einem nahtlosen Verbund. Der sichere Umgang mit sensiblen System- und Anlagendaten ist uns dabei ein besonderes Anliegen, besonders bei der Übertragung zu Cloud- oder Fog-Clustern. Mit dem Verständnis der Signalkette vom Sensorwert bis zur Verarbeitung durch eine künstliche Intelligenz entwickeln wir kompetent Ihre Lösung.

Leistungen

Entwurf und Umsetzung von Gebäudeautomationslösungen, Gebäudeautomatisierung, Elektronikentwicklung für Industrie- und Konsumer-Anwendungen, Low-Power-Hardware mit Energy-Harvesting, Softwareerstellung für Webservices und Datenanalyse, SPS/PLC-Programmierung, KNX-Anlagen, Gateway- und Wandler-Lösungen für den systemübergreifenden Datenaustausch, Netzwerke, Datenübertragungslösungen, Lösungen zur Überwachung, Alarmierung und Fernwartung

Kontakt

+49 (9131) 92 79 308

Anschrift

evekto GmbH
Am Weichselgarten 7
91058 Erlangen

Bürozeiten

Montag – Freitag: 10:00 – 18:00 Uhr
und nach Vereinbarung

© 2020 evekto GmbH. All rights reserved.