WO2000002135A2 - Verfahren und anordnung zur ermittlung eines ausgangssignals zu einem vorgegebenen eingangssignal und verfahren zum trainieren der anordnung - Google Patents

Verfahren und anordnung zur ermittlung eines ausgangssignals zu einem vorgegebenen eingangssignal und verfahren zum trainieren der anordnung Download PDF

Info

Publication number
WO2000002135A2
WO2000002135A2 PCT/DE1999/001954 DE9901954W WO0002135A2 WO 2000002135 A2 WO2000002135 A2 WO 2000002135A2 DE 9901954 W DE9901954 W DE 9901954W WO 0002135 A2 WO0002135 A2 WO 0002135A2
Authority
WO
WIPO (PCT)
Prior art keywords
information
input signal
signal
information space
space
Prior art date
Application number
PCT/DE1999/001954
Other languages
English (en)
French (fr)
Other versions
WO2000002135A3 (de
Inventor
Karsten Lorenz
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2000002135A2 publication Critical patent/WO2000002135A2/de
Publication of WO2000002135A3 publication Critical patent/WO2000002135A3/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G06N99/007—Molecular computers, i.e. using inorganic molecules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic

Definitions

  • the invention relates to the determination of an output signal for a predetermined input signal.
  • Neural networks have the particular disadvantage that the information, starting from an input signal that is applied to the neural network, only along defined paths, can spread the connections between the neurons of the neural network to the output neuron that generates the output signal .
  • the mutation is further understood to mean the change in the structure of the arrangement during the training, for example the change in parameters with which the arrangement is described.
  • the invention is therefore based on the problem of specifying an arrangement and a method for determining an output signal for a predetermined input signal, with which the disadvantages described above are avoided.
  • Another object on which the invention is based is to be seen in a method for training an arrangement for determining an output signal for a predetermined one
  • a continuous propagation of the input signal m the information space is determined for an input signal m a continuous information space.
  • the output signal is determined depending on the input signal and on the propagation.
  • a target signal assigned to the input signal is used for a given input signal.
  • a continuous information space determines a continuous propagation of the input signal into the information space.
  • An output signal is determined depending on the input signal and the continuous propagation. The output signal is compared with the respective target signal and a) in the event that the output signal is equal to the target signal, the method is carried out or ended with a further input signal, b) in the event that the output signal is not equal to that
  • the method is carried out again for the input signal, the continuous information space being changed when it is carried out again.
  • the arrangement has at least one input for receiving the input signal and a continuous information space in which the input signal can propagate in a continuous form. Furthermore, the arrangement has at least one value determination unit with which the output signal can be determined, the output signal resulting from the input signal and the spread of the input signal into the information space. Furthermore, at least one output is provided for outputting the output signal.
  • propagation is to be understood in the following as the entirety of actions, reactions and changes of the input signal in the continuous information space under the influence of possible further input signals and / or the information space itself.
  • a continuous information space is further understood to mean a continuous space between the input signal and the output signal, in which the input signals propagate in a continuous manner in accordance with a prescribable regulation. There is no longer a fixed structure between the inputs and the outputs of the arrangement.
  • the invention can clearly be seen in the fact that the output signal is not dependent on the input signal according to a propagation along defined paths - the structure of the neuronal one, as when using neural networks
  • Network - is determined, but m analogy to the spread of an electromagnetic field in a room, the spreading of an input signal takes place continuously within the entire information space.
  • the propagation takes place using information carriers, which each record at least part of the propagating input signal and lead through the information space.
  • an information carrier is to be understood as an object which is movable in the information space and which functions as a carrier of the input signal propagating in the information space.
  • the entirety of the information carriers thus copies the input signal propagating in the information space.
  • the invention can advantageously be used in all fields of application in which neural networks have previously been used.
  • the invention can advantageously be used in the following technical fields:
  • Pattern recognition in particular voice recognition, recognition of stock market trends, traffic sign recognition or font recognition; • Classification of the input signal, especially in medical technology;
  • FIG. 1 shows an arrangement with a computer and a measuring device, with which physical signals are recorded, forwarded to the computer and processed in the computer;
  • FIG. 2 shows an arrangement with a computer and a camera, the camera taking pictures of a scene and transmitting the pictures to the computer in which they are processed;
  • Figure 3 is a sketch describing the principle of the information space;
  • FIG. 4 is a flowchart showing the learning levels and the work level of the method
  • FIG. 5 shows a flow chart in which an individual recognition process is shown in detail.
  • Figure 1 shows a computer R
  • the computer R is coupled to a measuring device MG via a connection 101 via the input / output interface I / O.
  • the computer R is coupled to a keyboard TA, a mouse MA and a screen BS via further connections 102, 103 and 104.
  • the measuring device MG receives a physical signal as a measuring signal, carries out an analog / digital conversion for the measuring signal and feeds the digitized measuring signal to the computer R via the input / output interface I / O.
  • the digitized measurement signal is stored in the memory SP.
  • the digitized measurement signals are referred to below as an input signal ES.
  • each egg entrance serves as a punctiform
  • Source m analogy of an electromagnetic radiation source.
  • the input signal ES (see FIG. 3) or the partial signals of the input signal ES are fed from the inputs Ei to the information space IR.
  • the information space IR is continuous, i.e. the partial signals or the input signal ES spread or spread continuously in accordance with a predefinable propagation specification.
  • the entirety of the information carriers thus embodies the input signal propagating in the information space.
  • the strength and / or direction of the propagating, vector-value input signal ES is determined on information carriers ITo.
  • An acceleration B is determined for each information carrier ITo.
  • each information carrier has a punctiform structure and thus represents an information singular ITo.
  • Acceleration B is determined in accordance with the following regulation:
  • E is a distance of the information singularity ITo from the field singularity Ij.
  • the path of the ball is straight. If the smooth plane is deformed, mountains and valleys are created and the path of the ball is curved.
  • the path of the ball can take an extremely complex course.
  • the balls are placed on the plane at specified positions and released. They start to roll and their path follows the deformation of the plane. It is also assumed that each ball is lit, i.e. every sphere sends out rays of light. Measuring points for measuring the light intensity are provided on the plane at predetermined measuring positions. After a predetermined time after the balls are released, the light intensity is measured at the measuring positions.
  • the spheres correspond to the information singularities ITo.
  • the mountain peaks of the deformed plane correspond to the field singularities Ij.
  • the positions at which the balls are released and begin to move correspond to the entrances to the information room IR.
  • the measuring positions correspond to the exits of the information room IR.
  • the mountain peaks of the deformed plane are clearly shifted. This changes the path of the balls and thus also the light intensity at the measuring positions.
  • the acceleration capability BV is a property of the field singularities Ij, with which an influence is exerted on the speed of the information singularities ITo.
  • the acceleration ability BV can be understood as the steepness of the mountain peak of the deformed plane.
  • the range number RW can be understood in the model as a height and thus as a radius of action of the mountain peak of the deformed plane.
  • a location 0 is determined from the new speed Gneu of the respective iteration in accordance with the following rule:
  • the information space IR is an n-dimensional space. For each iteration, the quantities acceleration B new , speed G new and location O new are determined for each individual dimension of the information space IR.
  • a change in value WV of the information singularity ITo is determined from a predetermined value change capacity WW of the range number RW and the distance E of the information singularity ITo in accordance with the following regulation:
  • v new wv old + (( WW * RW ) / E ) ,
  • the value changeability WW and the range number RW are predefinable properties of the field singularities Ij.
  • the distance E denotes the distance between the field singularity Ij and the information singularity ITo.
  • the output control signals are the values of the sum of the inflows of the information grammars ITo onto the outputs AI.
  • the influence of an information structure ITo depends on its distance from the output AI.
  • the information space IR is characterized by the inputs Ei, the outputs AI as well as the information grammars ITo, field graduation Ij and the propagation behavior of the signals in the information space IR.
  • the information space IR is approximated to the nonlinear mapping function to be approximated in a training process.
  • a first learning stage the information space IR is cyclically initialized with random values, i.e. random fields Ij are generated.
  • training data i.e. the input signal ES
  • a target signal assigned to the respective input signal ES i.e. the input signal ES
  • the initialization is carried out until at least two input signals ES are correctly classified or recognized, i.e. for at least two input signals ES, the respective target signal matches the output signal formed in each case.
  • the respective output signal AS which is formed when the input signal ES is present, being checked for agreement with the respective target signal for recognition or classification. If Ij were changed in the information space IR, ie the information space IR is reinitialized with random values in each iteration.
  • a second learning stage in a second learning stage (step 402) the information space IR that is created is changed by random changes in the field singularities Ij.
  • the changed information room IR it is checked whether, when the amount of training data, i.e. the tuple from the input signal ES and the respectively assigned target signal, more training data with the changed information space IR of the new iteration recognized, i.e. correctly classified or recognized »as with the information space IR of the previous iteration.
  • the amount of training data i.e. the tuple from the input signal ES and the respectively assigned target signal
  • the second learning level (step 402) continues until all training data are correctly classified or recognized.
  • an input signal ES to be classified or recognized is applied to the information space IR.
  • FIG. 5 shows the process of a single classification in detail.
  • information singularities ITo are generated at each input Ei in accordance with the partial input signals (step 502).
  • step 503 the values acceleration B new , speed G new , location O new and value change WV new are determined for each information singularity ITo.
  • the process shown in FIG. 5 is carried out repeatedly in an iterative process.
  • step 402 iterations for changing the information space IR are carried out until all training data are correctly recognized or classified.
  • this procedure corresponds to the cyclical addition of new balls.
  • the new balls take the same paths through the deformed plane as the previous balls.
  • the balls exist for a predetermined period of time, i.e. they remain on the deformed plane for the specified period of time.
  • the ball is removed after the time has elapsed.
  • the ball chain thus reaches a maximum length. Reaching this maximum length is called a steady state.
  • the work stage (step 403) is shown in detail in FIG. 5 in several steps.
  • step 505 the influences of the information singularities ITo distributed in the information space IR on the outputs AI of the information space IR are determined.
  • the output signal AS is determined in this step (step 505) as the total value of the signal values present at the outputs AI.
  • the information space IR is used for letter recognition.
  • the output signal AS indicates which letter is recognized using the information space IR.
  • two letters (A, B) are presented in a variety of variants to the information room IR.
  • Each variant forms a training date, which includes an input signal and a target signal.
  • an output signal which is formed for an input signal of a tram date, is compared with the target signal of the respective training date. If the output signal does not match the target signal, the information space IR is changed.
  • the information space IR By changing the information space IR, i.e. the information space IR is thus “trained” by generating and / or removing field singularities Ij.
  • the information space IR is capable of generalization and can distinguish further variants of the letters A and B.
  • the information space IR is initialized with random numbers in the first learning stage (step 401). Then the information room IR is tested with the given letter variants that form the training data, ie the respective pixel matrix is applied to the inputs Ei and it becomes
  • the information space IR is reinitialized with random numbers until at least two different input signals ES can be correctly distinguished.
  • the second learning stage (step 402) is implemented in such a way that a new information space is formed in each iteration for the information space IR.
  • the new information room IR 'with slightly changed field singularities Ij' is tested with the training data. If the test result with the training data for the new information space IR 'is better than the test result for the information space IR, the new information space IR' is used as the information space IR for the further iterations of the second learning level (step 402). Otherwise the new information room IR will be deleted and the "old" information room IR will continue to be used.
  • the method will either carry out a predefinable number of iterations or until all training data are correctly classified by the information space IR.
  • the information space IR is used to recognize letters which are fed to the inputs Ei of the information space IR via a further pixel matrix.
  • the output signal AS reflects the recognized letter.
  • the sum of the field strengths of all information singularities ITo is determined at output AI. The influence of a single information singularity ITo on the sum formed depends on the current distance of the information singularity ITo from the output AI and on its value.
  • the information space IR is designed such that in the event that the sum of the
  • the arrangement can also be used in the context of pattern recognition of an image recorded by a camera K.
  • FIG. 2 correspond to the elements from FIG. 1 with the same designation.
  • the results of the classification or the pattern recognition are output on the screen BS.
  • the information space IR can be implemented using the information singularities ITo and the field singularities Ij.
  • the strength of the signal can be positive or negative.
  • the field singularities Ij are firmly positioned in the n-dimensional space.
  • Field singularities Ij can be provided, which form the fields that influence the propagation of the input signal ES in the information space IR.
  • the field strength of a field singularity Ij decreases with distance. It can be positive or negative.
  • the field singularities Ij are firmly positioned in the two-dimensional space.
  • the field singularities Ij need not be interpreted as point-shaped radiation sources. It is also provided in variants of the invention that at least part of the
  • Field singularities Ij are described as surfaces or bodies instead of punctiform field singularities Ij.
  • a cuboid hollow body with predeterminable surface properties can be used, for example, to delimit the information space IR.
  • the information space IR can also be understood as a medium through which the input signal ES propagates in analogy to a liquid flow or gas flow.
  • the “current” can branch out at field singularities Ij or several “currents” can unite.
  • the entire information space IR can thus be filled by electricity.
  • the regulations of fluid mechanics are to be generally used to describe the information space IR.
  • a description of the information space IR that can be used in analogy to the wave propagation can also be used.
  • the input signal ES spreads wave-like starting from the inputs Ei in the information space IR and is broken and diffracted at certain obstacles, the field singularities Ij.
  • the waves can generate secondary sources.
  • the waves can change the properties of the obstacles. Indifferences provide an opportunity to link information.
  • the information room IR can be operated using software, i.e. by means of a program as well as directly in hardware.
  • the arrangement can e.g. with electrical / magnetic fields and freely movable charge carriers (e.g. in an electron tube). Realization with flowing gases or liquids is also possible.
  • Hardware implementation here has a speed advantage over software implementation.
  • the invention can be used in all technical fields, in which neural networks can also be used.
  • the invention can advantageously be used for pattern recognition.
  • Examples of pattern recognition are:
  • Pattern recognition in particular voice recognition, recognition of on-board tendencies, traffic sign recognition or font recognition;
  • the invention can e.g. in a voicemail system, for process control, for a dictation machine with speech recognition device, as part of a dictation program, and in a call center (automatic telephone exchange or information system).
  • the invention can e.g. used in the classification of characteristic states of an electrocardiogram or electroencephalogram.
  • control engineering and / or control engineering or also process control engineering the invention can be used, for example, in the following fields of application:
  • the invention can be used in general in areas of evolutionary research (artificial life, artificial intelligence, anthropology).
  • the invention can be used, for example, in the preprocessing of measured values or in the replacement of damaged nerve tissue.
  • Targeted learning is also possible in connection with the continuous information space.
  • the continuous information space has the following properties for easier presentation:
  • Field singularities Ij all have the same acceleration capacity BV and the same range number RW. The field singularities are not capable of changing value. The value of the information singularities ITo is constant.
  • the lifespan of the information singularities ITo is limited to one iteration of the method, ie the information singularities ITo only perform a single jump through the continuous information space IR after their generation and thus already have their target position reached. So there is only one information singularity ITo per input.
  • Each information singularity ITo is assigned only one field singularity Ij. Field singularity Ij and information singularity ITo thus form a "pair".
  • the target position of the information singularities ITo is determined. There are basically two ways to do this:
  • the target positions are determined cyclically using a random number generator and checked against the resulting values at the outputs.
  • the definition of the target positions of the information singularities ITo by mutation and selection is much easier and faster than the training of the entire information space IR by mutation and selection, since only a few values have to be found here. The difference is particularly noticeable with very complex structures of the information space.
  • - Targeted arrangement of the field singularities Ij near the outputs Since there is a fixed assignment of the output values to the input values during targeted training, the target positions can be arranged manually by comparing the input values and output values with a manageable number of inputs and outputs. After checking the values at the outputs, a correction may be made.
  • the positions of the field singularities Ij are calculated so that in this example they line up with the inputs and the respective target positions of the associated information singularities ITo lie.
  • the distance to the entrance is mathematically directly related to the jump distance (distance from the entrance to the target position).
  • the invention can clearly be seen in the fact that the flow of information in a continuous n-dimensional space, the information space IR, is used as the basic principle.
  • the information room IR is formed by mutually overlapping fields as well as entry and exit points for the information (inputs egg and outputs AI).
  • the information enters the information space IR as the input signal ES and thus comes under the influence of the fields.
  • the fields (field singularities Ij) influence the information singularities ITo in terms of speed, value, service life and other specifiable parameters.
  • the information can interact with each other under the influence of the fields, can divide, multiply and delete. Complexly shaped fields thus result in correspondingly complex information flows, the spreading of the input signal within the continuous information space IR.
  • the flows of information are recorded at the exit points and output as output signal AS.
  • a possible implementation of the method in the programming language C is also given:
  • KO_E_LNG 25 // number of receipts from the contingent ffdefine KO_A_LNG 1 // number of receipts from the contingent
  • typedef struct // definition of the field signal float XPo; // position float YPo; float XBeschl; // acceleration of information in the X direction float YBeschl; // acceleration of information in the Y direction float WertVer; // change in value of information float half-width; // half-value width of the field strength FSit;
  • typedef struct // definition of info ⁇ ngula ⁇ tgatet float XPo; // position float YPo; float XGe; // speed float YGe; float value; // value of information int age; // The lifespan is limited ISi t;
  • r ypedef struct // definition of the inputs / outputs float XPo; // position float YPo; float value; // value of the information EA t;
  • ⁇ float value (((rand ()% 20000) /20000.1) * (b-a)) + a; return (value);
  • XBeschl + Contin [KoNr].

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Nanotechnology (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

Ein Eingangssignal (ES) breitet sich in einem kontinuierlichen Informationsraum (IR) über Informationsträger zu Ausgängen (Al) hin aus. Das Ausgangssignal (AS) wird gebildet durch Überlagerung der von den Informationsträgern gebildeten Feldern, die abhängig sind von dem Eingangssignal (ES).

Description

Beschreibung
Verfahren und Anordnung zur Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal und Verfahren zum Trai- nieren der Anordnung
Die Erfindung betrifft die Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal .
Eine solche Ermittlung mit Hilfe eines neuronalen Netzes ist in verschiedensten technischen Gebieten bekannt.
Häufige Einsatzgebiete für künstliche neuronale Netze sind:
- Mustererkennung, - Klassifikation von Eingangssignalen,
- Steuerungstechnik und/oder Regelungstechnik,
- Prozeßleittechnik,
- Informationsverarbeitung.
Grundlagen über neuronale Netze sowie deren Anwendungsmöglichkeiten sind in [1] zu finden.
Neuronale Netze weisen insbesondere den Nachteil auf, daß sich die Information, ausgehend von einem Eingangssignal, welches an das neuronale Netz angelegt wird, lediglich entlang festgelegter Bahnen, den Verbindungen zwischen den Neuronen des neuronalen Netzes zu dem Ausgangsneuron, welches das Ausgangssignal generiert, ausbreiten kann.
Es hat sich herausgestellt, daß die auf bestimmte Bahnen festgelegte Struktur des neuronalen Netzes es in mehreren technischen Bereichen nicht erlaubt, die tatsächlich günstigste Struktur des Netzes zu ermitteln. Um dies dennoch zu ermöglichen, wurde versucht, die Anordnung der Neuronen sowie die Struktur des neuronalen Netzes durch Mutation zu verändern. Diese Änderungen sind jedoch nicht graduell. Sie führen zu einer tiefgreifenden Veränderung des Abbildungsverhaltens des neuronalen Netzes und somit bei der Ermittlung des Aus- gangssignals . Eine solche „sprunghafte" Veränderung des neuronalen Netzes ist jedoch oftmals hinsichtlich der Approximation des Abbildungsverhaltens destruktiv. Die Wahrschemlich- keit einer positiven sprunghaften Mutation ist äußerst gering und kann mit der heutigen Rechentechnik nicht bewältigt werden.
Unter der Mutation ist im weiteren die Veränderung der Struk- tur der Anordnung wahrend des Trainings zu verstehen, beispielsweise die Veränderung von Parametern, mit denen die Anordnung beschrieben wird.
Somit liegt der Erfindung das Problem zugrunde, eine Anord- nung sowie ein Verfahren zur Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal anzugeben, mit der bzw. mit dem die oben beschriebenen Nachteile vermieden werden. Eine weitere Aufgabe, die der Erfindung zugrunde liegt, ist darin zu sehen, ein Verfahren zum Trainieren einer Anordnung zur Ermittlung eines Ausgangssignals zu einem vorgegebenen
Eingangssignal, bei dem eine graduelle Entwicklung der Anordnung mit kleineren Mutationsschritten möglich ist, als bei k nstlichen neuronalen Netzen, bereitzustellen.
Das Problem wird mit dem Verfahren gemäß Patentanspruch 1 sowie dem Verfahren gemäß Patentanspruch 4 sowie der Anordnung gemäß Patentanspruch 14 gelost.
Bei dem Verfahren gemäß Patentanspruch 1 wird zu einem Em- gangssignal m einem kontinuierlichen Informationsraum eine kontinuierliche Ausbreitung des Eingangssignals m den Informationsraum ermittelt. Abhangig von dem Eingangssignal und von der Ausbreitung wird das Ausgangssignal ermittelt.
Bei dem Verfahren gemäß Patentanspruch 4 werden zu einem vorgegebenen Eingangssignal jeweils ein dem Eingangssignal zugeordnetes Zielsignal verwendet. Zu dem Eingangssignal wird m einem kontinuierlichen Informationsraum eine kontinuierliche Ausbreitung des Eingangssignals in den Informationsraum ermittelt. Abhängig von dem Eingangssignal und der kontinuierlichen Ausbreitung wird ein Ausgangssignal ermittelt. Das Ausgangssignal wird mit dem jeweiligen Zielsignal verglichen und a) für den Fall, daß das Ausgangssignal gleich dem Zielsignal ist, wird das Verfahren mit einem weiteren Eingangssignal durchgeführt oder beendet, b) für den Fall, daß das Ausgangssignal nicht gleich dem
Zielsignal ist, wird das Verfahren erneut für das Eingangssignal durchgeführt, wobei bei der erneuten Durchführung der kontinuierliche Informationsraum verändert wird.
Die Anordnung weist mindestens einen Eingang zur Aufnahme des Eingangssignals auf sowie einen kontinuierlichen Informationsraum, in dem sich das Eingangssignal in kontinuierlicher Form ausbreiten kann. Ferner weist die Anordnung mindestens eine Wertermittlungseinheit auf, mit der das Ausgangssignal ermittelt werden kann, wobei das Ausgangssignal sich ergibt aus dem Eingangssignal und der Ausbreitung des Eingangssignals in den Informationsraum. Ferner ist mindestens ein Ausgang zur Ausgabe des Ausgangssignals vorgesehen.
Der Begriff Ausbreitung ist im weiteren zu verstehen als die Gesamtheit von Aktionen, Reaktionen und Veränderungen des Eingangssignals im kontinuierlichen Informationsraum unter dem Einfluß möglicher weiterer Eingangssignale und/oder des Informationsraums selbst.
Sowohl durch die Verfahren als auch durch die Anordnung ist es nunmehr möglich, eine graduelle Entwicklung mit kleinen Mutationsschritten in der Anordnung zu gewährleisten. Ferner ist es nicht mehr erforderlich, eine Netzstruktur festzule- gen. Die Ausbreitung der Information erfolgt über einen kontinuierlichen Informationsraum. Unter einem kontinuierlichen Informationsraum ist im weiteren ein kontinuierlicher Raum zwischen dem Eingangssignal und dem Ausgangssignal zu verstehen, m den sich die Eingangssignale gemäß einer vorgebbaren Vorschrift in kontinuierlicher Weise ausbreiten. Es ist keine festgelegte Struktur zwischen den Eingängen und den Ausgangen der Anordnung mehr vorgesehen.
Somit können auch Ereignisse, die an einer Stelle des Informationsraums auftreten, über den gesamten Informationsraum hinweg wirken und berücksichtigt werden.
Anschaulich kann die Erfindung darin gesehen werden, daß das Ausgangssignal nicht menr, wie bei Verwendung neuronaler Netze abhangig von einem Eingangssignal gemäß einer Ausbreitung entlang festgelegter Bahnen - der Struktur des neuronalen
Netzes - ermittelt wird, sondern m Analogie zur Ausbreitung eines elektromagnetischen Feldes m einem Raum die Ausbreitung eines Eingangssignals kontinuierlich innerhalb des gesamten Informationsraums erfolgt.
Vorteilhafte Weiterbildungen der Erfindung ergeben sich aus den abhangigen Ansprüchen.
In einer Weiterbildung ist es vorgesehen, daß die Ausbreitung unter Verwendung von Informationsträgern erfolgt, die jeweils zumindest einen Teil des sich ausbreitenden Eingangssignals aufnehmen und durch den Informationsraum fuhren.
Unter einem Informationsträger ist im weiteren ein m dem In- formationsraum bewegliches Objekt zu verstehen, das als Trager des sich in dem Informationsraum ausbreitenden Eingangssignals fungiert. Damit verkopert die Gesamtheit der Informationsträger das sich m dem Informationsraum ausbreitende Eingangssignal . Die Erfindung kann vorteilhaft in allen Einsatzgebieten Verwendung finden, in denen bisher neuronale Netze eingesetzt wurden.
Insbesondere kann die Erfindung vorteilhaft in folgenden technischen Bereichen eingesetzt werden:
• Mustererkennung, insbesondere Spracherkennung, Erkennung von Börsentenden- zen, Verkehrszeichenerkennung oder Schrifterkennung; • Klassifikation des Eingangssignals, insbesondere in der Medizintechnik;
• bei der Klassifikation von Meßergebnissen, insbesondere bei der Trendanalyse, Wettervorhersage, Klimamodellierung; • in der Steuerungstechnik und/oder Regelungstechnik,
• in der Prozeßleittechnik, insbesondere bei einem Chemieprozeß, in der Umwelttechnik, bei einem Verbrennungsmotor, in der Verkehrsleittechnik, in der Kraftwerkstechnik, in der Leittechnik für Schaltanla- gen;
• in der Informationsverarbeitung insbesondere bei der Vorverarbeitung von Meßwerten.
In den Figuren sind Ausführungsbeispiele der Erfindung ange- geben, die im folgenden näher erläutert werden.
Es zeigen
Figur 1 eine Anordnung mit einem Rechner und einem Meßgerät, mit dem physikalische Signale aufgenommen werden, an den Rechner weitergeleitet werden und in dem Rechner verarbeitet werden; Figur 2 eine Anordnung mit einem Rechner und einer Kamera, wobei die Kamera Bilder einer Szene aufnimmt und die Bilder zu dem Rechner überträgt, in dem sie weiterverarbeitet werden; Figur 3 eine Skizze, mit der das Prinzip des Informationsraums beschrieben wird;
Figur 4 ein Ablaufdiagramm in dem die Lernstufen sowie die Arbeitsstufe des Verfahrens dargestellt sind; Figur 5 ein Ablaufdiagramm, in dem ein einzelner Erkennungsvorgang detailliert dargestellt ist.
Erstes Ausführungsbeispiel:
Figur 1 zeigt einen Rechner R mit
• einem Prozessor P,
• einer Eingangs-/Ausgangsschnittstelle I/O,
• einem Speicher SP,
die alle über einen Bus BU miteinander verbunden sind.
Über die Eingangs-/Ausgangsschnittstelle I/O ist der Rechner R mit einem Meßgerät MG über eine Verbindung 101 gekoppelt. Über weitere Verbindungen 102, 103 und 104 ist der Rechner R mit einer Tastatur TA, einer Maus MA und einem Bildschirm BS gekoppelt .
Das Meßgerät MG nimmt ein physikalisches Signal als Meßsignal auf, führt für das Meßsignal eine Analog/Digital-Wandlung aus und führt das digitalisierte Meßsignal dem Rechner R über die Eingangs-/Ausgangsschnittstelle I/O zu.
Das digitalisierte Meßsignal wird in dem Speicher SP gespei- chert.
Die im weiteren beschriebenen Verfahrensschritte werden in dem Prozessor P des Rechners R durchgeführt.
Die digitalisierten Meßsignale werden im weiteren als ein Eingangssignal ES bezeichnet. Das Eingangssignal besteht aus einem Vektor mehrerer Teilsignale, wobei jeweils ein Teilsignal an einem Eingang Ei (1 = 1 ... n) anliegt .
Anschaulich dient jeder Eingang Ei als eine punktformige
Quelle m Analogie einer elektromagnetischen Strahlungsquelle.
Von den Eingängen Ei wird das Eingangssignal ES (siehe Fi- gur 3) bzw. die Teilsignale des Eingangssignals ES dem Informationsraum IR zugeführt.
Der Informationsraum IR ist kontinuierlich, d.h. die Teilsignale bzw. das Eingangssignal ES breiten bzw. breitet sich kontinuierlich gemäß einer beliebig vorgebbaren Ausbreitungsvorschrift aus.
Als Trager des sich m dem Informationsraum IR ausbreitenden Eingangssignals ES fungieren Informationsträger ITo (o = 1 ... s) . Damit verkörpert die Gesamtheit der Informationsträger das sich m dem Informationsraum ausbreitende Eingangssignal .
An Informationsträgern ITo wird die Starke und/oder Richtung des sich ausbreitenden, vektorwertigen Eingangssignals ES ermittelt. Für jeden Informationsträger ITo wird eine Beschleunigung B ermittelt.
Im Rahmen dieses Beispiels wird angenommen, daß jeder Infor- mationstrager eine punktformige Struktur aufweist und somit eine Informationssingulaπtat ITo darstellt.
Die Ermittlung der Beschleunigung B erfolgt gemäß folgender Vorschrift:
Bneu = Balt + ( (BV * RW)/E) , wobei mit
- Bneu eine neu ermittelte Beschleunigung der Informationssingularität ITo für den nächsten Iterationsschritt,
- Baτ_t eine Beschleunigung der Informationssingularität ITo des vergangenen Iterationsschritts,
- BV ein vorgebbares Beschleunigungsvermögen einer Feldsingularität Ij (j = 1 ... k) ,
- RW eine vorgebbare Reichweitenzahl einer Feldsingularität
Ij, - E eine Entfernung der Informationssingularität ITo von der Feldsingularität Ij, bezeichnet wird.
Zur Erleichterung des Verständnisses wird im folgenden eine anschauliche bildliche Modellvorstellung beschrieben.
Über eine glatte Ebene rollt eine Kugel. Der Weg der Kugel verläuft geradlinig. Wird die glatte Ebene deformiert, so entstehen Berge und Täler und der Weg der Kugel wird ge- krümmt. Der Weg der Kugel kann einen äußerst komplexen Verlauf annehmen. Angenommen, mehrere Kugeln rollen über die gekrümmte Ebene. Die Kugeln werden an vorgegebenen Positionen auf die Ebene gelegt und losgelassen. Sie fangen an zu rollen und ihr Weg folgt jeweils der Deformation der Ebene. Es wird ferner angenommen, daß jede Kugel leuchtet, d.h. jede Kugel sendet Lichtstrahlen aus. Auf der Ebene sind an vorgegebenen Meßpositionen Meßpunkte zur Messung der Lichtstärke vorgesehen. Nach einer vorgegebenen Zeit nach dem Loslassen der Kugeln wird die Lichtstärke an den Meßpositionen gemessen.
Die Kugeln entsprechen in diesem bildlichen Modell den Informationssingularitäten ITo. Die Berggipfel der deformierten Ebene entsprechen den Feldsingularitäten Ij . Die Positionen, an denen die Kugeln losgelassen werden und ihren Weg begin- nen, entsprechen den Eingängen des Informationsraums IR. Die Meßpositionen entsprechen den Ausgängen des Informationsraums IR. Beim Training werden anschaulich die Berggipfel der deformierten Ebene verschoben. Damit ändert sich der Weg der Kugeln und somit auch die Lichtstärke an den Meßpositionen.
Das Beschleunigungsvermögen BV ist eine Eigenschaft der Feldsingularitäten Ij, mit dem ein Einfluß auf die Geschwindigkeit der Informationssingularitäten ITo ausgeübt wird. In der Modellvorstellung kann das Beschleunigungsvermögen BV als die Steilheit des Berggipfels der deformierten Ebene aufgefaßt werden.
Die Reichweitenzahl RW kann in der Modellvorstellung als Höhe und damit als Wirkungsradius des Berggipfels der deformierten Ebene aufgefaßt werden.
Für jede Informationssingularität ITo wird eine Geschwindigkeit aus der Beschleunigung gemäß folgender Vorschrift ermittelt:
Gneu _ Galt + B:neu
wobei mit
- Gneu die jeweils neue Geschwindigkeit für die jeweilige Informationssingularität ITo, und
- Galt die Geschwindigkeit G der vorangegangenen Iteration für die jeweilige Informationssingularität ITo bezeichnet wird.
Aus der jeweils neuen Geschwindigkeit Gneu der jeweiligen Iteration wird ein Ort 0 gemäß folgender Vorschrift ermittelt:
°neu ~~ °alt + Gneu'
wobei mit
- Oneu ein neuer Ort, an der sich die Informationssingulari- t t ITo für die neue Iteration des Verfahrens befindet
- Og t der Ort, an der sich die Informationssingularität ITo der vergangen Iteration befunden hat,
bezeichnet wird.
Der Informationsraum IR ist ein n-dimensionaler Raum. Für jede Iteration werden die Größen Beschleunigung Bneu, Geschwindigkeit Gneu und Ort Oneu für jede einzelne Dimension des In- formationsraums IR ermittelt.
Eine Wertveränderung WV der Informationssingularität ITo wird aus einem vorgegebenen Wertveränderungsvermögen WW der Reichweitenzahl RW und der Entfernung E der Informationssin- gularität ITo gemäß folgender Vorschrift ermittelt:
vneu = wvalt + ( (WW * RW)/E),
wobei mit - WVneu die Wertveränderung der Informationssingularität ITo in der neuen Iteration,
- WVa]_t die Wertveränderung WV der Informationssingularität ITo der vorangegangenen Iteration bezeichnet wird.
Das Wertveränderungsvermögen WW und die Reichweitenzahl RW sind vorgebbare Eigenschaften der Feldsingularitäten Ij . Mit der Entfernung E wird die Entfernung der jeweils betrachteten Feldsingularität Ij und der jeweils betrachteten Informati- onssingularität ITo bezeichnet.
Bei der Verwendung der oben beschriebenen Vorschriften ist zu beachten, daß sich die Einflüsse aller Feldsingularitäten Ij untereinander summieren.
In Analogie eines elektromagnetischen Feldes werden an Ausgängen AI (1 =1 ... m) Ausgangsteilsignale ermittelt, und aus den Ausgangsteilsignalen wird ein Ausgangssignal AS bestimmt durch Summation aller Ausgangsteilsignale .
Die Ausgangstellsignale sind die Werte der Summe der E flus- se der Informationssmgularitaten ITo auf die Ausgange AI. Der Einfluß einer Informationssmgularitat ITo hangt ab von deren Entfernung zu dem Ausgang AI.
Der Informationsraum IR wird durch die Eingänge Ei, die Aus- gange AI sowie die Informationssmgularitaten ITo, Feldsmgu- laritaten Ij und das Ausbreitungsverhalten der Signale m dem Informationsraum IR charakterisiert.
Der Informationsraum IR wird, wie im folgenden erläutert, in einem Trainingsverfahren an die zu approximierende nichtli- neare Abbildungsfunktion approximiert.
Dies erfolgt m mehreren Schritten (vgl. Figur 4).
In einer ersten Lernstufe (Schritt 401) wird der Informationsraum IR zyklisch mit Zufallswerten initialisiert, d.h. es werden zufällig Feldsmgularitaten Ij erzeugt. In der ersten Lernstufe Schritt 401 sind in dem Speicher SP Trainingsdaten, d.h. das Eingangssignal ES, und ein dem jeweiligen Emgangs- signal ES zugeordnetes Zielsignal gespeichert.
Die Initialisierung wird solange durchgeführt, bis mindestens zwei Emgangssignale ES richtig klassifiziert bzw. erkannt werden, d.h. für mindestens zwei Eingangssignale ES stimmt das jeweilige Zielsignal mit dem jeweils gebildeten Ausgangs- signal uberem.
Solange nicht zwei Emgangssignale ES richtig klassifiziert bzw. erkannt werden, wobei zur Erkennung bzw. Klassifikation das jeweilige Ausgangssignal AS, das bei Anliegen des Eingangssignals ES gebildet wird, mit dem jeweiligen Zielsignal auf Übereinstimmung überprüft wird, werden die Feldsmgulari- täten Ij in dem Informationsraum IR verändert, d.h. es wird in jeder Iteration der Informationsraum IR neu mit Zufallswerten initialisiert.
In einem iterativen Verfahren wird in einer zweiten Lernstufe (Schritt 402) der entstehende Informationsraum IR durch zufällige Änderungen der Feldsingularitäten Ij verändert.
Für den veränderten Informationsraum IR wird überprüft, ob bei Anlegen der Menge der Trainingsdaten, d.h. der Tupel aus Eingangssignal ES und jeweils zugeordnetem Zielsignal, mehr Trainingsdaten mit dem veränderten Informationsraum IR der neuen Iteration erkannt, d.h. korrekt klassifiziert bzw. erkannt werden» als mit dem Informationsraum IR der vorangegan- genen Iteration.
Die zweite Lernstufe (Schritt 402) wird solange fortgesetzt, bis alle Trainingsdaten richtig klassifiziert bzw. erkannt werden.
In einer dritten Stufe, der Arbeitsstufe (Schritt 403) wird ein zu klassifizierendes bzw. zu erkennendes Eingangssignal ES an den Informationsraum IR angelegt.
Damit ist die Anordnung einsatzbereit.
Figur 5 zeigt den Vorgang einer einzelnen Klassifizierung im Detail. Nach Start des Verfahrens (Schritt 501) werden Informationssingularitäten ITo an jedem Eingang Ei entsprechend den Teileingangssignalen erzeugt (Schritt 502) .
In einem weiteren Schritt (Schritt 503) werden für jede Informationssingularität ITo die oben beschriebenen Werte Beschleunigung Bneu, Geschwindigkeit Gneu, Ort Oneu sowie Wert- Veränderung WVneu ermittelt. Zur Adaption des Informationsraums IR, d.h. der iterativen Veränderung des Informationsraums IR durch Hinzufügen bzw. Entfernen von Feldsingularitäten Ij in dem Informationsraum IR wird der in Figur 5 dargestellte Vorgang in einem iterati- ven Verfahren wiederholt durchgeführt.
In der zweiten Lernstufe (Schritt 402) werden solange Iterationen zur Änderung des Informationsraums IR durchgeführt, bis alle Trainingsdaten richtig erkannt bzw. klassifiziert werden.
In der oben dargestellten Modellvorstellung entspricht diese Vorgehensweise dem zyklischen Hinzufügen neuer Kugeln. Die neuen Kugeln nehmen die gleichen Wege durch die deformierte Ebene wie die vorangegangenen Kugeln. Somit entsteht eine Kugelkette, deren Länge wächst. Die Kugeln existieren für eine vorgegebene Zeitdauer, d.h. sie verbleiben für die vorgegebene Zeitdauer auf der deformierten Ebene. Nach Ablauf der Zeitdauer wird die Kugel entfernt. Die Kugelkette erreicht somit eine maximale Länge. Das Erreichen dieser maximalen Länge wird als stationärer Zustand bezeichnet.
Die Arbeitsstufe (Schritt 403) ist in Figur 5 in mehreren Schritten detailliert wiedergegeben.
In einem ersten Schritt der Arbeitsstufe (Schritt 505) werden die Einflüsse der in dem Informationsraum IR verteilten Informationssingularitäten ITo auf die Ausgänge AI des Informationsraums IR ermittelt.
Das Ausgangssignal AS wird in diesem Schritt (Schritt 505) als Summenwert der an den Ausgängen AI anliegenden Signalwerte ermittelt.
Das Verfahren wird mit Ausgabe des Ausgangssignals AS in einem letzten Schritt (Schritt 506) abgeschlossen. Zweites Ausführungsbeispiel:
In einem zweiten Ausführungsbeispiel wird der Informationsraum IR zur Buchstabenerkennung eingesetzt.
Dabei wird eine Matrix mit Bildpunkten (Pixelmatrix) mit 5 * 5 Bildpunkten (Pixeln) als Eingangssignal ES an die Eingänge Ei des Informationsraums IR angelegt, d.h. es werden 5 x 5 = 25 Teileingangssignale an 25 Eingänge Ei (i = 1 ... 25) angelegt, wobei jedes Teileingangssignal den Wert eines Pixels der Pixelmatrix beschreibt.
Das Ausgangssignal AS gibt an, welcher Buchstabe unter Verwendung des Informationsraums IR erkannt wird. In dem Ausfüh- rungsbeispiel werden zwei Buchstaben (A, B) in einer Vielzahl von Varianten dem Informationsraum IR präsentiert. Jede Variante bildet ein Trainingsdatum, das jeweils ein Eingangssignal und jeweils ein Zielsignal umfaßt. Im Rahmen des Trai- ningsverfahrens wird ein Ausgangssignal, welches gebildet wird für ein Eingangssignal eines Tramingsdatums, verglichen mit dem Zielsignal des jeweiligen Trainingsdatums. Stimmt das Ausgangssignal nicht mit dem Zielsignal überein, so wird der Informationsraum IR verändert.
Durch Veränderung des Informationsraums IR, d.h. durch Generierung und/oder Entfernung von Feldsingularitäten Ij wird der Informationsraum IR also „trainiert".
Ist der Informationsraum IR abschließend trainiert, so ist der Informationsraum IR zur Verallgemeinerung fähig und kann weitere Varianten der Buchstaben A und B voneinander unterscheiden.
Im weiteren wird für dieses Ausführungsbeispiel noch einmal detailliert auf die einzelnen Verfahrensschritte eingegangen. Der Informationsraum IR wird mit Zufallszahlen in der ersten Lernstufe (Schritt 401) initialisiert. Dann wird der Informationsraum IR mit den vorgegebenen Buchstabenvarianten, die die Traininigsdaten bilden, getestet, d.h. die jeweilige Pi- xelmatrix wird an die Eingänge Ei angelegt und es wird das
Ausgangssignal AS in der unter dem ersten Ausführungsbeispiel beschriebenen Art und Weise ermittelt.
Stimmt das Ausgangssignal AS nicht mit dem Wert des Zielsi- gnals, also mit der Angabe, ob das jeweilige Eingangssignal den ersten Buchstaben A bzw. den zweiten Buchstaben B darstellt, überein, so wird der Informationsraum IR solange mit Zufallszahlen neu initialisiert, bis wenigstens zwei unterschiedliche Eingangssignale ES richtig unterschieden werden.
Die zweite Lernstufe (Schritt 402) ist bei diesem Ausführungsbeispiel derart realisiert, daß zu dem Informationsraum IR ein neuer Informationsraum in jeder Iteration gebildet wird. Der neue Informationsraum IR' mit geringfügig veränder- ten Feldsingularitäten Ij ' wird mit den Trainingsdaten getestet. Ist das Testergebnis mit den Trainingsdaten für den neuen Informationsraum IR' besser als das Testergebnis für den Informationsraum IR, so wird der neue Informationsraum IR' für die weiteren Iterationen der zweiten Lernstufe (Schritt 402) als Informationsraum IR verwendet. Sonst wird der neue Informationsraum IR gelöscht und es wird der "alte" Informationsraum IR weiterverwendet.
Das Verfahren wird entweder eine vorgebbare Anzahl von Itera- tionen durchführen oder solange, bis durch den Informationsraum IR alle Trainingsdaten richtig klassifiziert werden.
In der Arbeitsstufe (Schritt 403) wird der Informationsraum IR zur Erkennung von Buchstaben, die über eine weitere Pixel- matrix den Eingängen Ei des Informationsraums IR zugeführt werden, eingesetzt. Das Ausgangssignal AS gibt den erkannten Buchstaben wieder. Am Ausgang AI wird die Summe der Feldstärken aller Informationssingularitäten ITo ermittelt. Der Einfluß einer einzelnen Informationssingularität ITo auf die gebildete Summe ist ab- hängig von der momentanen Entfernung der Informationssingularität ITo vom Ausgang AI und von ihrem Wert.
Bei diesem Ausführungsbeispiel ist lediglich ein Ausgang vorgesehen. Bei der Klassifikation ist der Informationsraum IR derart ausgestaltet, daß für den Fall, daß die Summe der
Feldstärken größer dem Wert 0 ist, der Buchstabe A erkannt wird und sonst der Buchstabe B.
Drittes Ausführungsbeispiel:
Wie in Figur 2 dargestellt, kann die Anordnung auch im Rahmen der Mustererkennung eines von einer Kamera K aufgenommenen Bildes eingesetzt werden.
Die weiteren in Figur 2 dargestellten Elemente entsprechen bei gleicher Bezeichnung den Elementen aus Figur 1.
Auf dem Bildschirm BS werden die Ergebnisse der Klassifikation bzw. der Mustererkennung ausgegeben.
Der Informationsraum IR kann, wie oben dargestellt, unter Verwendung der Informationssingularitäten ITo und der Feld- singularitäten Ij realisiert werden.
Die Stärke des Signals kann positiv oder negativ sein. Die Feldsingularitäten Ij sind in dem n-dimensionalen Raum fest positioniert .
Im folgenden sind einige Varianten der oben beschriebenen Ausführungsbeispiele dargestellt: Es können Feldsingularitäten Ij vorgesehen sein, die die Felder bilden, die die Ausbreitung des Eingangssignals ES in dem Informationsraum IR beeinflussen. Die Feldstärke einer Feldsingularität Ij nimmt mit der Entfernung ab. Sie kann positiv oder negativ sein. Die Feldsingularitäten Ij sind im zweidi- mensionalen Raum fest positioniert.
Die Feldsingularitäten Ij müssen nicht als punktformige Strahlungsquellen aufgefaßt werden. Es ist ebenso in Varian- ten der Erfindung vorgesehen, daß zumindest ein Teil der
Feldsingularitäten Ij beispielsweise als Flächen oder Körper anstelle punktförmiger Feldsingularitäten Ij beschrieben wird.
Als Begrenzung des Informationsraums IR kann beispielsweise ein quaderförmiger Hohlkörper mit vorgebbaren Oberflächeneigenschaften eingesetzt werden.
Ferner kann der Informationsraum IR auch aufgefaßt werden als ein Medium, durch das das Eingangssignal ES sich in Analogie zu einer Flüssigkeitsströmung oder Gasströmung ausbreitet. Dabei kann der „Strom" sich an Feldsingularitäten Ij verzweigen oder es können sich mehrere „Ströme" vereinigen. Damit kann der gesamte Informationsraum IR durch den Strom ausge- füllt werden. In diesem Fall sind zur Beschreibung des Informationsraums IR die Vorschriften der Strömungslehre allgemein anzuwenden.
Auch eine in Analogie der Wellenausbreitung einsetzbare Be- Schreibung des Informationsraums IR kann eingesetzt werden. In diesem Fall breitet sich das Eingangssignal ES ausgehend von den Eingängen Ei wellenförmig in dem Informationsraum IR kontinuierlich aus und wird an bestimmten Hindernissen, den Feldsingularitäten Ij, gebrochen und gebeugt. Die Wellen kön- nen Sekundärquellen erzeugen. Die Wellen können die Eigenschaften der Hindernisse verändern. Indifferenzen bieten Gelegenheit zur Informationsverknüpfung. Somit können die ana- log zu verwendenden Gesetze der Weilentheorie zur Beschreibung des Informationsraums IR eingesetzt werden.
Der Informationsraum IR kann sowohl mittels Software, d.h. mittels eines Programms, als auch direkt m Hardware realisiert werden. Die Anordnung kann m Hardware z.B. mit elektrischen/magnetischen Feldern und frei beweglichen Ladungsträgern (z.B. in einer Elektronenrohre) realisiert werden. Auch eine Realisierung mit stromenden Gasen oder Flussigkei- ten ist möglich. Eine Hardwarerealisierung weist hierbei einen Geschwindigkeitsvorteil gegenüber einer Softwarerealisierung auf.
Die Erfindung kann m allen technischen Gebieten eingesetzt werden, m denen auch neuronale Netze eingesetzt werden können .
Somit sind die einzelnen Realisierungen für die jeweils detaillierte technische Anwendung dem Fachmann bekannt, da er lediglich den Informationsraum IR anstelle des neuronalen Netzes zu verwenden hat.
Im folgenden sind einige Anwendungsgebiete der Erfindung beispielhaft dargestellt:
Die Erfindung kann vorteilhaft zur Mustererkennung eingesetzt werden. Beispiele der Mustererkennung sind:
• Mustererkennung, insbesondere Spracherkennung, Erkennung von Borsentenden- zen, Verkehrszeichenerkennung oder Schrifterkennung;
• Klassifikation des Eingangssignals, insbesondere m der Medizintechnik;
• bei der Klassifikation von Meßergebnissen, insbesondere bei der Trendanalyse, Wettervorhersage, Klima- modellierung, allgemein bei der Prognose von Zeitreihen;
• in der Steuerungstechnik und/oder Regelungstechnik, • in der Prozeßleittechnik, insbesondere bei einem Chemieprozeß,
• in der Umwelttechnik, bei einem Verbrennungsmotor, m der Verkehrsleittechnik, m der Kraftwerkstechnik, in der Leit- technik für Schaltanlagen;
• in der Informationsverarbeitung insbesondere bei der Vorverarbeitung von Meßwerten.
Im Rahmen der Spracherkennung kann die Erfindung z.B. in ei- nem Voicemail-System, zur Prozeßbeeinflussung, für em Diktiergerat mit Spracherkennungsemrichtung, im Rahmen eines Diktierprogramms, sowie m einem Call-Center (automatische Telefonvermittlung oder e Auskunftsystem) eingesetzt werden.
Eine weitere Anwendung der Erfindung ist m der Klassifikation von Eingangssignalen zu sehen. Beispiele hierfür sind:
Im Bereich der Medizintechnik kann die Erfindung z.B. bei der Klassifikation charakteristischer Zustande eines Elektrokardiogramms oder Elektroencephalogramms eingesetzt werden.
Im Bankenwesen sind Bewertung von Liquidität bzw. einer Kun- denstabilitat bei der Kreditvergabe oder auch eine Bewertung von Unternehmen oder auch eine Bewertung einer Marktlage mögliche Einsatzgebiete der Erfindung.
In der Steuerungstechnik und/oder Regelungstechnik oder auch der Prozeßleittechnik kann die Erfindung beispielsweise m folgenden Einsatzgebieten verwendet werden:
- bei Chemieprozessen,
- m der Umwelttechnik, beispielsweise bei der Abwasserbehandlung,
- bei einem Verbrennungsmotoren, beispielsweise zur Erkennung kritischer Zustande bei einem Verbrennungsmotor,
- m der Kraftwerkstechnik, - in der Leittechnik für Schaltanlagen, beispielsweise zur Erkennung von Situationen zum Auslösen von Schutzgeräten.
Ferner kann die Erfindung allgemein in Bereichen der Evoluti- onsforschung (künstliches Leben, künstliche Intelligenz, Anthropologie) eingesetzt werden.
In der Informationsverarbeitung ist die Erfindung beispielsweise bei der Vorverarbeitung von Meßwerten oder beim Ersatz von geschädigtem Nervengewebe einsetzbar.
Zur Effizienzsteigerung des Trainingsverfahrens können genetische Algorithmen eingesetzt werden.
Auch ein gezieltes Lernen ist im Zusammenhang mit dem kontinuierlichen Informationsraum möglich.
Ähnlich wie bei den neuronalen Netzen wird jeweils ein spezieller Trainings-Algorithmus für eine Ausprägung des kontinu- ierlichen Informationsraums eingesetzt. Aufgrund der verschiedenen Varianten des kontinuierlichen Informationsraums wird im folgenden ohne Einschränkung der Allgemeingültigkeit ein Beispiel für ein Verfahren des gezielten Trainings dargestellt:
Der kontinuierliche Informationsraum habe zur einfacheren Darstellung folgende Eigenschaften:
• Feldsingularitäten Ij haben alle das gleiche Beschleunigungsvermögen BV und die gleiche Reichweitenzahl RW. Ein Wertveränderungsvermögen besitzen die Feldsingularitäten nicht. Der Wert der Informationssingularitäten ITo ist konstant.
• Die Lebensdauer der Informationssingularitäten ITo ist auf eine Iteration des Verfahrens begrenzt, d.h. die Informati- onssingularitäten ITo führen nach ihrer Generierung nur einen einzigen Sprung durch den kontinuierlichen Informationsraum IR aus und haben damit bereits ihre Zielposition erreicht. Es existiert also auch nur eine Informationssingularität ITo je Eingang.
• Jeder Informationssingularität ITo ist nur eine einzige Feldsingularität Ij zugeordnet. Feldsingularität Ij und In- formationssingularität ITo bilden somit ein "Paar". Die
Feldsingularität Ij wirkt ausschließlich auf die zugeordnete Informationssingularität ITo.
• Es gibt keine Wechselwirkungen zwischen den Informationssingularitäten ITo des Informationsraums. • Die Informationssingularitäten ITo nehmen keinen Einfluß auf die Feldsingularitäten Ij .
Zuerst wird die Zielposition der Informationssingularitäten ITo ermittelt. Dafür gibt es grundsätzlich zwei Wege:
- Mutation und Auslese: Zyklisch werden die Zielpositionen mittels Zufallszahlengenerator festgelegt und mit den dadurch an den Ausgängen entstehenden Werten überprüft. Die Festlegung der Zielpositionen der Informationssingularitäten ITo durch Mutation und Auslese ist wesentlich einfacher und schneller als das Training des gesamten Informationsraums IR durch Mutation und Auslese, da hier nur wenige Werte gefunden werden müssen. Der Unterschied kommt besonders bei sehr komplexen Strukturen des Informationsraums zum Tragen. - Gezielte Anordnung der Feldsingularitäten Ij in der Nähe der Ausgänge: Da beim gezielten Training eine feste Zuordnung der Ausgangswerte zu den Eingangswerten besteht, kann bei einer überschaubaren Anzahl von Eingängen und Ausgängen die Anordnung der Zielpositionen durch Vergleich der Eingangswerte und Ausgangswerte manuell vorgenommen werden. Nach Überprüfung der an den Ausgängen entstehenden Werte wird gegebenenfalls eine Korrektur vorgenommen.
Wenn die Zielpositionen feststehen, werden die Positionen der Feldsingularitäten Ij so berechnet, daß sie in diesem Beispiel auf einer Linie mit den Eingängen und den jeweiligen Zielpositionen der zugehörigen Informationssingularitäten ITo liegen. Der Abstand zum Eingang steht mathematisch in direktem Zusammenhang mit der Sprungweite (Abstand von Eingang und Zielposition) . Wenn die Positionen der Feldsingularitäten Ij feststehen, d.h. fertig ermittelt worden sind, ist der Infor- mationsraum IR fertig für die Anwendungsphase.
Wird anstelle dieser sehr einfachen Ausprägung des Singulari- tätenmodelles ein Modell mit komplexerer Struktur gewählt, dann sind für jede zusätzliche Eigenschaft (z.B. Wertverände- rungsvermögen) entsprechende zusätzliche Berechnungen durchzuführen (Beispiel: Zu den Zielpositionen kommen Zielwerte hinzu) . Für jede Ausprägung ist ein passender Berechnungsalgorithmus zu entwickeln.
Die Erfindung kann anschaulich darin gesehen werden, daß als Grundprinzip das Fließen von Informationen in einem kontinuierlichen n-dimensionalen Raum, dem Informationsraum IR, verwendet wird.
Der Informationsraum IR wird geformt durch sich gegenseitig überlagernde Felder sowie Eintritts- und Ausgangspunkte für die Information (Eingänge Ei und Ausgänge AI) .
Die Informationen treten als Eingangssignal ES in den Infor- mationsraum IR ein und geraten somit in den Einfluß der Felder. Die Felder (Feldsingularitäten Ij) beeinflussen die Informationssingularitäten ITo in Geschwindigkeit, Wert, Lebensdauer und anderen vorgebbaren Parametern.
Die Informationen können unter dem Einfluß der Felder miteinander wechselwirken, können sich teilen, vermehren und löschen. Durch komplex geformte Felder entstehen somit entsprechend komplexe Informationsflüsse, die Ausbreitung des Eingangssignals innerhalb des kontinuierlichen Informationsraums IR. An den Austrittspunkten werden die Flüsse der Informationen erfaßt und als Ausgangssignal AS ausgegeben. Im weiteren wird eine mögliche Realisierung des Verfahrens in der Programmiersprache C angegeben:
Definitionen
#defιne uιnt32_t unsigned long int
#defιne sιnt32_t long int fdefine uιntl6_t unsigned Short mt fdefme sιntl6_t Short int #defιne uιnt8_t unsigned char
#defιne smt8_t signed char
#defιne KO_E_LNG 25 // Anzahl Emgaenge des Kontmuums ffdefine KO_A_LNG 1 // Anzahl Ausgaenge des Kontmuums
extern FILE * in; extern FILE * out;
/* Funktionsprototypen, */ extern int KontinArbeit (umt8_t GNr, long * E, long * A, uιnt8_t ELng, umt8_t ALng ) , extern void Kontinlmt ( uιnt8_ ) ; extern void KontinKopie (uιnt8_t dest, uιnt8_t source, uιnt8_t Muta); extern void KontmSave ( void) ; extern void KontinLoad ( void) ; void FktGraph ( void) ; void GSave(voιd); void GLoad(voιd); void HιlfeBιld(voιd) ;
Informations ontinuum zweidimensional
ffinclude <stdlιb.h> #ιnclude <stdιo.h> ffinclude <conιo.h> ffinclude <strιng.h>
#ιnclude <dos.h> ffinclude <math.h> ffinclude <graphιcs.h> fmclude " ontmu.h"
Idefme ISI_MAXALTER 3 fldefine FSIANZ 10 // Anzahl Feldsιgularιt„ten ffdefine ISIANZ ISI MAXALTER*KO E LNG // Anzahl Inf osιgularιt„ten
static umt8_t SιTest=l; // Sicherheitstest static umtβ t ISiNr; // Nummer der Inf osmgularιt„t static uintβ t KoNr; // KontinNummet
typedef struct // Definition der Feldsιngulaπt„t float XPo; // Position float YPo; float XBeschl; // Beschleunigung der Information in X-Richtung float YBeschl; // Beschleunigung der Information in Y-Richtung float WertVer; // Wertver„nderung der Information float HalbWeite; // Halbwertweite der Feldst„rke FSi t;
typedef struct // Definition der Infosιngulaπt„t float XPo; // Position float YPo; float XGe; // Geschwindigkeit float YGe; float Wert; // Wert der Information int Alter; // Die Lebensdauer ist begrenzt ISi t;
rypedef struct // Definition der Eιn/Ausg„nge float XPo; // Position float YPo; float Wert; // Wert der Information EA t;
typedef struc // Definition der Kontinuumst ruktur
FSι_t FSingIFSIANZ] ; // Feldsιngularιt„ten
ISι_t ISingllSIANZ) ; // Infosιngularιt„ten
EA_t Eingang [KO_E__LNG] // Eιng„nge
EA_t Ausgang [ KO_A_LNG] // Ausg„nge gehιrn_t;
static gehιrn_t huge Kontm[2J
float RandomVonBiΞ (float a, float b)
{ float Wert = ( ( ( rand ( ) %20000 ) /20000.1 ) * (b-a)) + a; return (Wert) ;
vcid Kontinlnit (uιnt8_t KNr)
/* Feldsιngularιt„ten */ for (uιnt8_t s=0; s<FSIANZ; s++)
{
Kontιn[KNr) .FSingfs] .XPo = RandomVonBιs(-320.0,320) Kontin (KNr] . FS.mgfs] -YPo = RandomVonBιs(-240.0,240) Kontin [KNr] . FSιng[s] -XBeschl = RandomVonBis ( -1.0, 1) Kontιn[KNr] .FSιng[s] .YBeschl = RandomVonBis ( -1.0, 1) Kontin (KNr] . FSing |s] .WertVer = RandomVonBis ι -1.0, 1), Kontin (KNr] . FSing [s] .HalbWeite = RandomVonBis! 0, 30),
/* Infosιngularιt„ten */ for (s=0; s<ISIANZ; s++) (
Kontin [KNr) .ISmgfs] .XPo 0 Kontm[KNr] .ISmg[s] .YPo 0 Kontιn[KNr] .ISingls] .XGe 0 Kontιn[KNr] .ISingls) .YGe 0 Kontιn[KNr] .ISingls] .Wert 0 Kontιn[KNr] .ISingls] .Alter ISI MAXALTER+1;
/* Eιng„nge */ for (s=0; s<KO E LNG; s++)
Kontιn(KNr] .Eιngang(s) .XPo RandomVonBis (-320.0, 320) , Kontm[KNr] .Eιngang[s] .YPo RandomVonBis (-240.0,240) ; Kontm(KNr] .Eιngang[s] .Wert 0;
/ * Ausg„nge * / for ( s=0 ; s<KO A LNG; s++ )
Kontιn[KNr] .Ausgang[s] .XPo RandomVonBis (-320.0,320); Kontιn(KNr] .Ausgang[s] .YPo RandomVonBis (-240.0,240) ; Kontm(KNr] .Ausgang[s] .Wert 0;
void KontinMuta (uιnt8_t KNr) { unsigned int M=rand()%500 +1; // Mutationszahl: 1..500
/* Feldsιngularιt„ten */ for (uιnt8 t s=0; s<FSIANZ; s++)
KontmlKNr] .FSingls] .XPo += RandomVonBis! -0.01*M, 0.01*M) Kontin [KNr] .FSingls] .YPc += RandomVonBis i -0.01*M, 0.01*M) KontmlKNr] . FSinαfs] .XBeschl += RandomVonBis (-0.001*M, 0.001*M) KontmlKNr] . FSing [s] .YBeschl += RandomVonBis (-0.001*M, 0.001*M) Kontιn[KNr] .FSingls] .WertVer += RandomVonBis (-0.001*M, 0.001*M) KontmlKNr] .FSingls] -HalbWeite += RandomVonBis! -0.01*M, 0.01*M)
/* Emg„nge */ for (s=0; s<KO E LNG; s++)
KontmlKNr] .Eιngang(s) .XPo RandomVonBis -0.01*M, 0.01*M) , KontmlKNr] .Eingangls] .YPo RandomVonBis -0.01*M, 0.01*M) ,
/* Ausg„nge */ for (s=0; s<KO A LNG; s++) Kont lKNr] .Ausgang [s] .XPo RandomVonBis ( -0.01*M, 0.01*M) KontmlKNr] .Ausgangls] .YPc RandomVonBis ( -0.01*M, 0.01*M) void KontinKopie (umt8_t KNrNeu, uintβ t KNrAlt, uintβ t Muta)
// Kontin kopieren memcpyl SKontin ( KNrNeu] , SKontin [KNrAlt] , sizeof ( gehιrn_ )
'/ Mutation des Kontin≤ l f (Muta ) Kont Muta ( KNrNeu ) ;
float EntfBerechnungISFSdnt I, int F)
// Berechnet das Quadrat der Entfernung zwischen der Infosιngulant„t I und // der Feldsιngularιt„t F. float dx = Kontιn[KoNr] .ISingll] .XPo - Kontin ( KoNr ]. FSin [ F] .XPo; float dy = Kontin [KoNr ] . ISing [ I ] . YPo - Kontin [KoNr ]. Sing I F] .YPo; float Entf = dx*dx + dy*dy; lf (Entf<0.1) Entf=0.1; return (Entf) ;
flcat EntfBerechnungISAU(ιnt I, int A)
// Berechnet das Quadrat der Entfernung zwischen der Infosιngularιt„t I und // dem Ausgang A. ( float dx = Kontιn[KoNr] .ISmg[I] .XPo - Kontin (KoNr] .Ausgang [A] .XPo; float dy = Kontin [KoNr] . ISing [ I ] .YPo - Kontin [KoNr ] .Ausgang [A] .YPo; float Entf = dx*dx + dy*dy; lf (Entf<0.1) Entf=0.1; return (Entf) ;
int ISiArbeit ( void)
// Ermittelt die Summe der Einflüsse der Feldsmgularιt„ten auf die // Infosιngularιt„t mit der Nummer ISiNr und aktualisiert die
// Infosιngularιt„t entsprechend. Ist die Infosιngulant„t unbenutzt, dann // wird 0 zurückgegeben, sonst 1.
/* Alterung lf (Kontιn[KoNr] . IS g [ ISiNr ] .Alter > ISI_MAXALTER) return(O); KontinlKoNr] . IS g [ ISiNr] .Alter++;
Summierung float XBeschl=0 // Beschleunigung der Information in X-Richtung float YBeschl=0 // Beschleunigung der Information in Y-Richtung float WertVer=0 // Wertver„nderung der Information for (int F=0; F<FSIANZ; F++) float Entfernung=EntfBerechnungISFS (ISiNr, F);
XBeschl += Kontin [ KoNr ]. FSing [F] .XBeschl * Kontin [KoNr ]. FSing [ F] .HalbWeite / Entfernung;
YBeschl += KontinlKoNr] .FSingIF] .YBeschl * Kontin [KoNr ]. FSing [ F] . HalbWeite / Entfernung;
WertVer += Kontin [ KoNr] . FSing ( F) .WertVer * Kontin (KoNr ]. FSing [ F] . HalbWeite / Entfernung; /* Aktualisierung der Infosιngularιt„t
KontinlKoNr] . ISing [ ISiNr] .XGe += XBeschl*10000.1; KontinlKoNr] . ISing [ ISiNr] .YGe += YBeschl*10000.1 ;
KontinlKoNr] .ISing [ISiNr] .XPo += Kontin [KoNr ]. ISing ( ISiNr] .XGe; KontinlKoNr] . ISing ( ISiNr] .YPo += Kontin (KoNr) . ISing [ ISiNr] .YGe; KontinlKoNr] . ISingllSiNr] .Wert += WertVer*1000; return ( 1 ) ;
void NeuISmg dnt E )
// Erzeugt aus dem Wert des Kontineingangs E eine neue Infosιgularιt„t .
{ / / f reie Infosιngulant„t suchen for ( int 1=0; KISIANZ; I++ ) lf (KontinlKoNr) -ISingll] .Alter > ISI MAXALTER) break; lf (I==ISIANZ) return; // Alle belegt.
I I - Erzeugung der neuen Infosιngularιt„t
KontinlKoNr] .ISingll] .XPo KontinlKoNr] .E gangiE] .XPo;
KontinlKoNr] .ISmgll] .YPo Kontιn(KoNr) .Eingang |E] . YPo;
Kontιn(KoNr) .ISιng[I] .XGe 0; KontinlKoNr] .ISingll] .YGe 0
KontinlKoNr] .ISingfl] .Alter 0 KontinlKoNr) .ISingll] .Wert KontinlKoNr) . Eiπαang i E) .Wert;
void ErgebnisErzeugen ( int A)
// Schreibt Wert in den Kontinausgang A anhand der Summe der Feldst„rke der
// Infosιngularιt„ten. Die Entfernung wird berücksichtigt . float Wert=0; for (int 1=0; KISIANZ; I++)
Wert += KontinlKoNr] .ISιng(I) .Wert / EntfBerechnungISAU ( I, A) ;
KontinlKoNr] .Ausgang[A] .Wert = Wert;
int KontinArbeit (uintβ t KNr, long * E, long * A, umt8_t ELng, uιntβ_t ALng) int I; KoNr=KNr;
// Sicherheitstest lf (SiTest) lf (ELng>KO_E_LNG) ( printf ( "sbergabefehler 1 '''"); delay(lOOO); return(O) lf (ALng>KO_A_LNG) { printf ( "sbergabefehler 2 '''"); delay(lOOO); return(O) SιTest=0;
lf (KoNr>=2) { printf ("sbergabefehler 3 ''"'); delay(lOOO); return(O),
// Eιng„nge versorgen for (1=0; ι<ELng; ι++) Kontin [KoNr ] .Eingan [ l ) .Wert = E[ι]/100; for ( int DurchLauf=0; DurchLauf <ISI_MAXALTER+1 ; DurchLauf++ ) {
/ / Inf osmgul arιt„ten erzeugen for ( ι=0; KELng; ι++ ) NeuISmg ( ι ) ;
// Bearbeitung der Infosιgulaπt„ten for (ISιNr=0; ISιNr<ISIANZ; ISιNr++) ISiArbeiti); l
// Ergebnis erzeugen for (ι=0; ι<ALng; ι++) ErgebnisErzeuge ( l ) ;
// Ergebnisausgabe for (ι=0; ι<ALng; ι++)
All] = 1000 * Kontιn(KoNr) .Ausgangli] .Wert; return ( 0) ;
void KontinLoad ( void) fread ( SKontin [ 0] , sizeof (gehιrn_t ) , 2, in); !
void KontmSave ( void) fwnte ( sKontin [ 0] , sizeof (gehιrn_t ) , 2, out),
void FktGraph ( void) { whιle(l)
( int KNr=0; clearviewport ( ) ; setcolor (RED) ; lιne(0, 240, 640, 240); lιne(320, 0, 320, 480);
/* Feldsmgularιt„ten */ setcolor (LIGHTRED) ; for (umt8_t s=0; s<FSIANZ; s++ ) { ιf (Kontm[KNr) . FSingls) .HalbWeite > 1) cιrcle(Kontm(KNr] .FSmgls] .XPo+320, KontmlKNr] .FSingls] .YPo+240, KontmlKNr] .FSingls] .HalbWeite) ; eise circle (Kontιn(KNr) . FSing [s] .XPo+320, KontinfKNr] .FSingls) .YPo+240, 1) ,
/* Infosιngulant„ten */ setcolor ( LIGHTGRAY ) ; for (s=0; s<ISIANZ; s++ ) { lf (KontmlKNr] .ISingls] .Wert > 0.0) putpixel (KontmlKNr) .ISingls] .XPo+320, KontmlKNr) .ISingls] .YPo+240, WHITE) int W= (int) fabs (Kontin [KNr] .ISingls) .Wert) ; lf (W < 1) circlel KontmlKNr] .ISmgls] .XPo+320, Kontιn(KNr) .ISingls] .YPo+240, 1) ; eise lf (W > 300) cιrcle(Kontm[KNr] .ISmgls] .XPo+320, KontmlKNr) .ISmgls) .YPo+240, 300) eise circlel Kont lKNr] .ISmgls] .XPo+320, KontmlKNr] .ISingls) .YPo+240, W) ;
/* Eιng„nge */ setcolor (LIGHTBLUE) ; for (s=0; s<KO_E_LNG; s++) cιrcle(KontιnlKNr) .E gangls] .XPo+320, Kontin [KNr] . Eingang [s ) .YPo+240, 3),
/* Ausg„nge */ setcolor ( LIGHTGREEN ) ; for <s=0; s<KO_A_LNG; s++ )
; cιrcle(Kontιn[KNr] .Ausgangis] .XPo+320, KontmlKNr] -Ausgangis] .YPo+240, 3) } switch (getch ( ) ) { case 0 : switch (getch()) case 59 HιlfeBιld( ) ; break; // Fl case 60 GSave( ) ; break; // F2 case 61 GLoad ( ) ; break; // F3 break; case 27 : { clearviewport ( ; return;
Im Rahmen dieses Dokuments wurde folgende Veröffentlichung zitiert :
[1] A. Zeil, Simulation Neuronaler Netze, Addison Wesley Publishing, 1. Auflage, ISBN 3-89319-554-8, S . 97 - 114 und 555 - 574, 1994

Claims

Patentansprüche
1. Verfahren zur Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal, durch einen Rechner,
• bei dem zu dem Eingangssignal in einem kontinuierlichen Informationsraum eine kontinuierliche Ausbreitung des Eingangssignals in den Informationsraum ermittelt wird, und
• bei dem abhängig von dem Eingangssignal und der kontinuierlichen Ausbreitung das Ausgangssignal ermittelt wird.
2. Verfahren nach Anspruch 1, bei dem die Ausbreitung unter Verwendung von Informationsträgern erfolgt, die jeweils zumindest einen Teil des sich ausbreitenden Eingangssignals aufnehmen und durch den Informati- onsraum führen.
3. Verfahren nach Anspruch 2, bei dem mindestens ein Teil der Informationsträger bei der Ausbreitung mindestens einem der folgenden Einflüssen unter- liegt:
• ein dem Informationsträger zugeordneter Signalwert wird verändert,
• eine Richtung, entlang der die Ausbreitung über den Informationsträger erfolgt, wird verändert, • eine Geschwindigkeit, mit der die Ausbreitung über den Informationsträger erfolgt, wird verändert,
• ein Informationsträger wird in mehrere Informationsträger aufgeteilt,
• ein Informationsträger wird gelöscht, • zwischen mehreren Informationsträgern findet eine Wechselwirkung statt, durch die der Wert, der jeweils einem Informationsträger zugeordnet ist, verändert wird,
• aus mehreren Informationsträgern wird ein Informationsträger gebildet, • zwischen dem Informationsträger und dem Informationsraum findet eine Wechselwirkung statt, durch die der Wert, der jeweils dem Informationsträger zugeordnet ist, verändert wird und/oder durch die mindestens ein Parameter des Informationsraums verändert wird.
4. Verfahren zum Trainieren einer Anordnung zur Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal unter Verwendung eines jeweils einem Eingangssignal zugeordneten Zielsignals, durch einen Rechner,
• bei dem zu dem Eingangssignal in einem kontinuierlichen Informationsraum eine kontinuierliche Ausbreitung des Ein- gangssignals in den Informationsraum ermittelt wird,
• bei dem abhängig von dem Eingangssignal und der kontinuierlichen Ausbreitung ein Ausgangssignal ermittelt wird, und
• bei dem das Ausgangssignal mit dem jeweiligen Zielsignal verglichen wird und a) für den Fall, daß das Ausgangssignal gleich dem Zielsignal ist, das Verfahren mit einem weiteren Eingangssignal durchgeführt wird oder beendet wird, b) für den Fall, daß das Ausgangssignal nicht gleich dem Zielsignal ist, das Verfahren erneut für das Eingangssignal durchgeführt wird, wobei bei der erneuten Durchführung der kontinuierliche Informationsraum verändert wird.
5. Verfahren nach Anspruch 4,
• bei dem Informationsträger erzeugt werden zur Aufnahme des sich kontinuierlich in einem Informationsraum ausbreitenden
Eingangssignals, und
• bei dem die Ausbreitung unter Verwendung von Informationsträgern erfolgt, die jeweils zumindest einen Teil des sich ausbreitenden Eingangssignals aufnehmen und durch den In- formationsraum führen.
6. Verfahren nach einem der Ansprüche 1 bis 5, bei dem das Eingangssignal ein digitalisiertes, physikalisches Signal ist.
7. Verfahren nach Anspruch 6, eingesetzt zur Mustererkennung.
8. Verfahren nach Anspruch 7, bei dem das Eingangssignal ein digitalisiertes Audiosignal ist .
9. Verfahren nach Anspruch 7, bei dem das Eingangssignal ein aufgenommenes Bildsignal ist.
10. Verfahren nach Anspruch 6, eingesetzt zur Klassifikation des Eingangssignals.
11. Verfahren nach Anspruch 6, eingesetzt in der Steuerungstechnik und/oder Regelungstechnik.
12. Verfahren nach Anspruch 6, eingesetzt in der Prozeßleit- technik.
13. Verfahren nach Anspruch 6, eingesetzt in der Informationsverarbeitung .
14. Anordnung zur Ermittlung eines Ausgangssignals zu einem vorgegebenen Eingangssignal,
• mit mindestens einem Eingang zur Aufnahme des Eingangssignals,
• mit einem kontinuierlichen Informationsraum, in dem sich das Eingangssignal in kontinuierlicher Form ausbreiten kann,
• mit mindestens einer Wertermittlungseinheit mit der das Ausgangssignal ermittelt werden kann, wobei das Ausgangs- signal sich ergibt aus dem Eingangssignal und der Ausbrei- tung des Eingangssignals in den Informationsraum, und
• mit mindestens einem Ausgang zur Ausgabe des Ausgangs- signals .
15. Anordnung nach Anspruch 14, das gemäß folgenden Schritten trainierbar ist unter Verwendung von Zielsignalen, wobei jeweils ein Zielsignal einem Eingangssignal zugeordnet ist: • es wird zu dem Eingangssignal in einem kontinuierlichen Informationsraum eine kontinuierliche Ausbreitung des Eingangssignals in den Informationsraum ermittelt,
• abhängig von dem Eingangssignal und der kontinuierlichen Ausbreitung wird ein Ausgangssignal ermittelt, und
• das Ausgangssignal wird mit dem jeweiligen Zielsignal verglichen und a) für den Fall, daß das Ausgangssignal gleich dem Zielsignal ist, wird das Verfahren mit einem weiteren Eingangs- signal durchgeführt oder beendet, b) für den Fall, daß das Ausgangssignal nicht gleich dem Zielsignal ist, wird das Verfahren erneut für das Eingangssignal durchgeführt, wobei bei der erneuten Durchführung der kontinuierliche Informationsraum verändert wird.
16. Anordnung nach Anspruch 14 oder 15, bei der der Informationsraum derart eingerichtet ist, daß die Ausbreitung unter Verwendung von Informationsträgern erfolgt, die jeweils zumindest einen Teil des sich ausbreitenden Ein- gangssignals aufnehmen und durch den Informationsraum führen.
17. Anordnung nach Anspruch 16, bei der der Informationsraum derart eingerichtet ist, daß mindestens ein Teil der Informationsträger bei der Ausbrei- tung mindestens einem der folgenden Einflüssen unterliegt:
• ein dem Informationsträger zugeordneter Signalwert wird verändert,
• eine Richtung, entlang der die Ausbreitung über den Informationsträger erfolgt, wird verändert, • eine Geschwindigkeit, mit der die Ausbreitung über den Informationsträger erfolgt, wird verändert,
• ein Informationsträger wird in mehrere Informationsträger aufgeteilt,
• ein Informationsträger wird gelöscht, • zwischen mehreren Informationsträgern findet eine Wechselwirkung statt, durch die der Wert, der jeweils einem Informationsträger zugeordnet ist, verändert wird, • aus mehreren Informationsträgern wird ein Informationsträger gebildet,
• zwischen dem Informationsträger und dem Informationsraum findet eine Wechselwirkung statt, durch die der Wert, der jeweils dem Informationsträger zugeordnet ist, verändert wird und/oder durch die mindestens ein Parameter des Informationsraums verändert wird.
18. Anordnung nach einem der Ansprüche 14 bis 17, bei der das Eingangssignal ein digitalisiertes, physikalisches Signal ist.
19. Anordnung nach Anspruch 18, eingesetzt zur Mustererkennung.
20. Anordnung nach Anspruch 19, mit einem Mikrofon, welches mit der Anordnung gekoppelt ist, zur Aufnahme eines Audiosignals, welches der Anordnung als Eingangssignal zuführbar ist.
21. Anordnung nach Anspruch 19, mit einer Kamera, welche mit der Anordnung gekoppelt ist, zur Aufnahme eines Bildsignals, welches der Anordnung als Ein- gangssignal zuführbar ist.
22. Anordnung nach Anspruch 19, eingesetzt zur Klassifikation des Eingangssignals.
23. Anordnung nach Anspruch 18, eingesetzt in der Steuerungs- technik und/oder Regelungstechnik.
24. Anordnung nach Anspruch 18, eingesetzt in der Prozeßleittechnik.
25. Anordnung nach Anspruch 18, eingesetzt in der Informationsverarbeitung .
PCT/DE1999/001954 1998-07-02 1999-07-01 Verfahren und anordnung zur ermittlung eines ausgangssignals zu einem vorgegebenen eingangssignal und verfahren zum trainieren der anordnung WO2000002135A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19829698 1998-07-02
DE19829698.3 1998-07-02

Publications (2)

Publication Number Publication Date
WO2000002135A2 true WO2000002135A2 (de) 2000-01-13
WO2000002135A3 WO2000002135A3 (de) 2000-04-20

Family

ID=7872833

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1999/001954 WO2000002135A2 (de) 1998-07-02 1999-07-01 Verfahren und anordnung zur ermittlung eines ausgangssignals zu einem vorgegebenen eingangssignal und verfahren zum trainieren der anordnung

Country Status (1)

Country Link
WO (1) WO2000002135A2 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740625A (zh) * 2018-09-27 2021-04-30 罗伯特·博世有限公司 用于确定操控信号的方法和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0614157A1 (de) * 1993-03-03 1994-09-07 Koninklijke Philips Electronics N.V. Neuronales Netzwerk mit räumlich verteiler Arbeitsweise

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0614157A1 (de) * 1993-03-03 1994-09-07 Koninklijke Philips Electronics N.V. Neuronales Netzwerk mit räumlich verteiler Arbeitsweise

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
COLAK S B: "VECTOR MAPPING WITH A NONLINEAR ELECTRONIC LAYER FOR DISTRIBUTED NEURAL NETWORKS" IEEE TRANSACTIONS ON NEURAL NETWORKS,US,IEEE INC, NEW YORK, Bd. 6, Nr. 5, September 1995 (1995-09), Seite 1245-1248 XP000526703 ISSN: 1045-9227 *
CONRAD M: "ON DESIGN PRINCIPLES FOR A MOLECULAR COMPUTER" COMMUNICATIONS OF THE ASSOCIATION FOR COMPUTING MACHINERY,US,ASSOCIATION FOR COMPUTING MACHINERY. NEW YORK, Bd. 28, Nr. 5, Mai 1985 (1985-05), Seite 464-480 XP000719752 ISSN: 0001-0782 *
ROYCHOWDHURY V P ET AL: "NANOELECTRONIC ARCHITECTURE FOR BOOLEAN LOGIC" PROCEEDINGS OF THE IEEE,US,IEEE. NEW YORK, Bd. 85, Nr. 4, April 1997 (1997-04), Seite 574-587 XP000698878 ISSN: 0018-9219 *
TAKAFUMI AOKI ET AL: "INTERCONNECTION-FREE BIOMOLECULAR COMPUTING" COMPUTER,US,IEEE COMPUTER SOCIETY, LONG BEACH., CA, US, Bd. 25, Nr. 11, November 1992 (1992-11), Seite 41-50 XP000331439 ISSN: 0018-9162 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112740625A (zh) * 2018-09-27 2021-04-30 罗伯特·博世有限公司 用于确定操控信号的方法和设备
CN112740625B (zh) * 2018-09-27 2024-02-13 罗伯特·博世有限公司 用于确定操控信号的方法和设备

Also Published As

Publication number Publication date
WO2000002135A3 (de) 2000-04-20

Similar Documents

Publication Publication Date Title
EP2112568B1 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE102007001025B4 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE212020000731U1 (de) Kontrastives Vortraining für Sprachaufgaben
DE4217832C2 (de) Mustererkennungsgerät
DE10296704T5 (de) Fuzzy-Inferenznetzwerk zur Klassifizierung von hochdimensionalen Daten
DE112020001369T5 (de) Gepulste synaptische elemente für gepulste neuronale netze
DE102017218851A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung eines tiefen neuronalen Netzes
DE60125536T2 (de) Anordnung zur generierung von elementensequenzen
WO1997044743A1 (de) Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner
DE102019203634A1 (de) Verfahren und Vorrichtung zum Ansteuern eines Roboters
DE19635758C1 (de) Verfahren und Vorrichtung zur rechnergestützten Generierung mindestens eines künstlichen Trainingsdatenvektors für ein neuronales Netz
DE19504664C2 (de) Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür
DE10139682B4 (de) Verfahren zum Generieren von neuronalen Netzen
DE112020005613T5 (de) Neuromorphe Einheit mit Kreuzschienen-Array-Struktur
WO2000002135A2 (de) Verfahren und anordnung zur ermittlung eines ausgangssignals zu einem vorgegebenen eingangssignal und verfahren zum trainieren der anordnung
DE19703964C1 (de) Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz
EP0548127B1 (de) Neuronales Netzwerk und Schaltungsanordnung zur Bool&#39;schen Realisierung neuronaler Netze vom ADALINE-Typ
EP0978052A1 (de) Rechnergestütztes verfahren zur auswahl von trainingsdaten für ein neuronales netz
DE10047172C1 (de) Verfahren zur Sprachverarbeitung
DE102019115092A1 (de) Bestimmen einer Objekterkennungsrate eines künstlichen neuronalen Netzes zur Objekterkennung für ein automatisiertes Kraftfahrzeug
DE112019003167T5 (de) Wahrscheinlichkeitsweitergabe über faktordiagramme
EP1114398B1 (de) Verfahren zum trainieren eines neuronalen netzes, verfahren zur klassifikation einer folge von eingangsgrössen unter verwendung eines neuronalen netzes, neuronales netz und anordnung zum trainieren eines neuronalen netzes
DE102018212155A1 (de) Verfahren und eine Vorrichtung zum aktiven Einregeln eines Prädiktors auf ein Eingangssignal
DE19641286C1 (de) Lernverfahren für selbstorganisierende neuronale Netzwerke und Vorrichtung zur Durchführung des Verfahrens
DE102004059684B3 (de) Verfahren und Anordnung sowie Computerprogramm mit Programmmcode-Mitteln und Computerprogramm-Produkt zur Ermittlung eines zukünftigen Systemzustandes eines dynamischen Systems

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A2

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE

121 Ep: the epo has been informed by wipo that ep was designated in this application
DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
AK Designated states

Kind code of ref document: A3

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A3

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE

122 Ep: pct application non-entry in european phase