Neuronale Netze: Theoretische Grundlagen und Anwendung in der Verkehrszeichenerkennung

Inhaltsverzeichnis

• 1 Einleitung
• 1.1 Motivation
• 1.2 Überblick über die einzelnen Kapitel
• 2 Theoretische Grundlagen
• 2.1 Aufbau Neuronaler Netze
• 2.2 Darstellbarkeit von Funktionen
• 2.2.1 Das Perzeptron
• 2.2.2 Repräsentierbarkeit von Feedforward Netzen
• 3 Lernverfahren für Feedforward Netze
• 3.1 Backpropagation
• 3.1.1 Modifikationen von Backpropagation
• 3.1.2 Konvergenz von Backpropagation
• 3.1.3 Three-Term-Backpropagation
• 3.2 Quickprop
• 3.3 Resilient Propagation
• 3.4 Backpercolation
• 3.5 Levenberg-Marquardt Algorithmus
• 3.6 Globale Lernverfahren
• 3.6.1 Cutting Angle Methode
• 3.6.2 Heuristic Global Learning
• 4 Rekurrente Netze und ihre Lernverfahren
• 4.1 Jordan-Netze
• 4.2 Elman-Netze
• 4.3 Hierarchische Elman-Netze
• 4.4 Lernverfahren für partiell rekurrente Netze
• 4.4.1 Backpropagation Through Time (BPTT)
• 4.4.2 Real-Time Recurrent Learning (RTRL)
• 4.4.3 Kombination von BPTT und RTRL
• 4.5 Hopfield-Netze
• 4.6 Stabilität
• 4.6.1 Stabilität von Hopfield-Netzen
• 4.6.2 Bedingungen für globale asymptotische Stabilität
• 4.7 Boltzmann Maschine
• 5 Pruning Algorithmen
• 5.1 Weight Decay
• 5.2 Löschen der betragsmäßig kleinsten Gewichte (Mag)
• 5.3 Optimal Brain Damage (OBD)
• 5.4 Optimal Brain Surgeon (OBS)
• 5.5 Skelettierung
• 6 Erkennung von Verkehrszeichen
• 6.1 Problemstellung
• 6.2 Bearbeitung der Bilder
• 6.3 Trainingsmuster
• 6.4 Erstellen und Training der Neuronalen Netze
• 6.4.1 32 x 32/32/4 Feedforward Netz
• 6.4.2 32×32/16/4/4 Feedforward Netz
• 6.5 Testen der Neuronalen Netze
• 6.5.1 Generierung der Testdaten
• 6.5.2 32 x 32/32/4 Feedforward Netz
• 6.5.3 32 × 32 / 16 / 4/4 Feedforward Netz
• 6.5.4 Ergebnis
• 6.6 Erweiterung des Neuronalen Netzes
• 7 Fazit

Zielsetzung und Themenschwerpunkte

Diese Diplomarbeit befasst sich mit der Anwendung Neuronaler Netze zur Erkennung von Verkehrszeichen. Die Arbeit legt den Schwerpunkt auf die theoretischen Grundlagen Neuronaler Netze sowie die praktische Anwendung dieser Technologie im Kontext der Verkehrszeichenerkennung.

• Aufbau und Funktionsweise von Neuronalen Netzen
• Lernverfahren für Feedforward Netze und rekurrente Netze
• Pruning Algorithmen zur Reduzierung der Komplexität Neuronaler Netze
• Praktische Anwendung von Neuronalen Netzen zur Verkehrszeichenerkennung
• Bewertung und Analyse der Ergebnisse der Verkehrszeichenerkennung

Zusammenfassung der Kapitel

• Kapitel 1: Die Einleitung stellt die Motivation und den Hintergrund der Arbeit dar. Außerdem wird ein Überblick über die einzelnen Kapitel gegeben.
• Kapitel 2: Dieses Kapitel behandelt die theoretischen Grundlagen Neuronaler Netze. Es werden verschiedene Architekturen und Konzepte erläutert, darunter das Perzeptron und Feedforward Netze.
• Kapitel 3: In diesem Kapitel werden verschiedene Lernverfahren für Feedforward Netze vorgestellt, darunter Backpropagation, Quickprop und Resilient Propagation. Die Konvergenz von Backpropagation wird ebenfalls behandelt.
• Kapitel 4: Das Kapitel befasst sich mit rekurrenten Netzen und deren Lernverfahren, wie zum Beispiel Jordan-Netze, Elman-Netze und Backpropagation Through Time (BPTT). Die Stabilität von Hopfield-Netzen wird ebenfalls untersucht.
• Kapitel 5: In diesem Kapitel werden verschiedene Pruning Algorithmen beschrieben, die dazu dienen, die Komplexität von Neuronalen Netzen zu reduzieren und damit die Effizienz zu verbessern. Dazu gehören Weight Decay, Optimal Brain Damage (OBD) und Optimal Brain Surgeon (OBS).
• Kapitel 6: Dieses Kapitel beschreibt die Anwendung von Neuronalen Netzen zur Erkennung von Verkehrszeichen. Die Problemstellung, die Bearbeitung der Bilder, die Trainingsmuster und die Testdaten werden behandelt. Es werden auch verschiedene Feedforward Netz-Architekturen vorgestellt und die Ergebnisse der Tests werden diskutiert.

Schlüsselwörter

Neuronale Netze, Feedforward Netze, Backpropagation, Rekurrente Netze, Pruning Algorithmen, Verkehrszeichenerkennung, Bilderkennung, Mustererkennung.