Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte

Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt.

Brehms Tierleben. Allgemeine kunde des Tierreichs. Mit etwa 2000 Abbildungen im Text, über 500 Tafeln in Farbendruck, Kupferätzung und Holzschnitt und 13 Karten

Bd. 1

Brehms Tierleben. Allgemeine kunde des Tierreichs. Mit etwa 2000 Abbildungen im Text, über 500 Tafeln in Farbendruck, Kupferätzung und Holzschnitt und 13 Karten

Bd. 2

Udmurtische Wörter auf Karten

Kirjallisuusarvostelu

Einsatz von rückgekoppelten mehrstufigen selbstorganisierenden Karten in der Windenergie Leistungsprognose

In dieser Arbeit wird ein Verfahren zum Einsatz neuronaler Netzwerke vorgestellt, das auf iterative Weise Klassifikation und Prognoseschritte mit dem Ziel kombiniert, bessere Ergebnisse der Prognose im Vergleich zu einer einmaligen hintereinander Ausführung dieser Schritte zu erreichen. Dieses Verfahren wird am Beispiel der Prognose der Windstromerzeugung abhängig von der Wettersituation erörtert. Eine Verbesserung wird in diesem Rahmen mit einzelnen Ausreißern erreicht. Verschiedene Aspekte werden in drei Kapiteln diskutiert: In Kapitel 1 werden die verwendeten Daten und ihre elektronische Verarbeitung vorgestellt. Die Daten bestehen zum einen aus Windleistungshochrechnungen für die Bundesrepublik Deutschland der Jahre 2011 und 2012, welche als Transparenzanforderung des Erneuerbaren Energiegesetzes durch die Übertragungsnetzbetreiber publiziert werden müssen. Zum anderen werden Wetterprognosen, die der Deutsche Wetterdienst im Rahmen der Grundversorgung kostenlos bereitstellt, verwendet. Kapitel 2 erläutert zwei aus der Literatur bekannte Verfahren - Online- und Batchalgorithmus - zum Training einer selbstorganisierenden Karte. Aus den dargelegten Verfahrenseigenschaften begründet sich die Wahl des Batchverfahrens für die in Kapitel 3 erläuterte Methode. Das in Kapitel 3 vorgestellte Verfahren hat im modellierten operativen Einsatz den gleichen Ablauf, wie eine Klassifikation mit anschließender klassenspezifischer Prognose. Bei dem Training des Verfahrens wird allerdings iterativ vorgegangen, indem im Anschluss an das Training der klassenspezifischen Prognose ermittelt wird, zu welcher Klasse der Klassifikation ein Eingabedatum gehören sollte, um mit den vorliegenden klassenspezifischen Prognosemodellen die höchste Prognosegüte zu erzielen. Die so gewonnene Einteilung der Eingaben kann genutzt werden, um wiederum eine neue Klassifikationsstufe zu trainieren, deren Klassen eine verbesserte klassenspezifisch Prognose ermöglichen.

Unsymmetrisch substituierte N-heterocyclische Carbene mit einem 1,1 ʹ-Ferrocendiyl-Rückgrat und N-heterocyclische Carbene als Adsorbatspezies für selbstorganisierende Monolagen

Aufbauend auf den Arbeiten von Bielawski et al. und Siemeling et al. wurden im Rahmen dieser Arbeit unsymmetrisch substituierte N-heterocyclische Carbene mit einem 1,1ʹ-Ferrocendiyl-Rückgrat synthetisiert. Ausgehend von der literaturbekannten Verbindung 1,1’-Diaminoferrocen gelang die Einführung der exocyclischen Substituenten an den Stickstoffatomen lediglich durch die Anpassung der Stöchiometrie in den einzelnen Syntheseschritten. Es wurden die folgenden drei NHCs synthetisiert: N-(2-Adamantyl)-N’-neopentyldiaminocarben[3]ferrocenophan (Ad/Np), N-Neopentyl-N’-phenyldiaminocarben[3]ferrocenophan (Ph/Np) und N-(9-Anthracenylmethyl)-N’-neopentyldiaminocarben[3]ferrocenophan (Acm/Np). Das Carben Ad/Np konnte dabei erfolgreich isoliert werden, während die anderen zwei Carbene als Liganden in Komplexen des Typs [RhCl(COD)(NHC)] stabilisiert wurden. Von allen drei Carbenen wurden Rhodium-Carben-Komplexe des Typs [RhCl(COD)(NHC)] und cis-[RhCl(CO)2(NHC)] synthetisiert. Anhand der röntgenkristallographischen und NMR-spektroskopischen Untersuchungen dieser Rhodiumkomplexe konnten in allen sechs Komplexen anagostische Wechselwirkungen zwischen dem zentralen Rhodiumatom und den Wasserstoffatomen der exocyclischen Substituenten, die sich in α-Position zu den Stickstoffatomen befinden, nachgewiesen werden. Des Weiteren wurden anhand der cis-[RhCl(CO)2(NHC)]-Komplexe die TEP-Werte der Carbene bestimmt. Gemessen in DCM betragen diese 2049 cm-1 (Ad/Np), 2049 cm-1 (Ph/Np) und 2051 cm-1 (Acm/Np). Unabhängig von den unsymmetrisch substituierten NHCs mit einem 1,1ʹ-Ferrocendiyl-Rückgrat wurde im Rahmen dieser Arbeit die Eignung von NHCs als Adsorbatspezies für selbstorganisierende Monolagen überprüft. Hierzu wurden Tetraalkylimidazol-2-ylidene synthetisiert, welche als 0.01 mM Lösung auf Gold(111)-Substrate aufgebracht wurden. Die Goldsubstrate wurden anschließend mittels XPS untersucht. Die XPS-Analyse der modifizierten Goldsubstrate zeigte, dass eine Bindung der Carbene auf der Oberfläche stattgefunden hat. Es zeigte sich allerdings auch, dass keine SAM gebildet wurden, da die Oberfläche signifikant mit kohlen- und sauerstoffbasierten Verbindungen kontaminiert ist. Dabei kann vermutet werden, dass die Carbene nicht ausschließlich auf der Goldoberfläche selbst, sondern auch mit den auf der Oberfläche befindlichen Verbindungen reagiert haben.

Aktionenlernen mit Selbstorganisierenden Karten und Reinforcement Learning

Die vorliegende Arbeit beschäftigt sich mit der Entwicklung eines Funktionsapproximators und dessen Verwendung in Verfahren zum Lernen von diskreten und kontinuierlichen Aktionen: 1. Ein allgemeiner Funktionsapproximator – Locally Weighted Interpolating Growing Neural Gas (LWIGNG) – wird auf Basis eines Wachsenden Neuralen Gases (GNG) entwickelt. Die topologische Nachbarschaft in der Neuronenstruktur wird verwendet, um zwischen benachbarten Neuronen zu interpolieren und durch lokale Gewichtung die Approximation zu berechnen. Die Leistungsfähigkeit des Ansatzes, insbesondere in Hinsicht auf sich verändernde Zielfunktionen und sich verändernde Eingabeverteilungen, wird in verschiedenen Experimenten unter Beweis gestellt. 2. Zum Lernen diskreter Aktionen wird das LWIGNG-Verfahren mit Q-Learning zur Q-LWIGNG-Methode verbunden. Dafür muss der zugrunde liegende GNG-Algorithmus abgeändert werden, da die Eingabedaten beim Aktionenlernen eine bestimmte Reihenfolge haben. Q-LWIGNG erzielt sehr gute Ergebnisse beim Stabbalance- und beim Mountain-Car-Problem und gute Ergebnisse beim Acrobot-Problem. 3. Zum Lernen kontinuierlicher Aktionen wird ein REINFORCE-Algorithmus mit LWIGNG zur ReinforceGNG-Methode verbunden. Dabei wird eine Actor-Critic-Architektur eingesetzt, um aus zeitverzögerten Belohnungen zu lernen. LWIGNG approximiert sowohl die Zustands-Wertefunktion als auch die Politik, die in Form von situationsabhängigen Parametern einer Normalverteilung repräsentiert wird. ReinforceGNG wird erfolgreich zum Lernen von Bewegungen für einen simulierten 2-rädrigen Roboter eingesetzt, der einen rollenden Ball unter bestimmten Bedingungen abfangen soll.