Soft Computing

Was ist „Soft Computing“?

Eine Definition von Lotfi A. Zadeh lautet: „Soft computing differs from conventional (hard) computing in that, unlike hard computing, it is tolerant of imprecision, uncertainty and partial truth. In effect, the role model for soft computing is the human mind. The guiding principle of soft computing is: Exploit the tolerance for imprecision, uncertainty and partial truth to achieve tractability, robustness and low solution cost.“
Eine etwas kürzere Beschreibung (aus dem Wikipedia-Artikel über Lotfi A. Zadeh): „Beim Soft Computing wird auf eine exakte Analyse eines Systems zugunsten einer qualitativen und vor allem interpretierbaren Beschreibung verzichtet.“
Im Wesentlichen (aber nicht ausschließlich) beschäftigt sich Soft Computing mit Problemlösungs-Paradigmen, die ihr Vorbild in biologischen Grundlagen haben. Dazu gehört beispielsweise das menschliche Gehirn, welches sehr schnell sehr gute – nicht immer optimale, aber zur Problemlösung ausreichende – Lösungen finden kann (z. B. auch über Regeln, die verbal formuliert sind).
Zu Methoden des Soft Computing gehören Neuronale Netze (z. B. Perzeptren oder selbstorganisierende Karten bzw. Kohonenkarten), Fuzzy-Systeme und Evolutionäre Algorithmen. Die Anwendung dieser Techniken ermöglicht Problemlösungen wie oben beschrieben: für unsichere Ausgangsdaten (z. B. ungenau oder „unscharf“), effizient und kostengünstig. Der „Maschinen-IQ“ technischer Systeme kann deutlich erhöht werden.

Inhalt der Vorlesung

Die Vorlesung hat vor allem die o. a. Paradigmen zum Inhalt, also Neuronale Netze, Fuzzy-Logik und Evolutionäre Algorithmen. Dieses Gebiet wird üblicherweise als „Soft Computing“ bezeichnet. Folgende Themen werden konkret besprochen: Biologische Grundlagen, überwacht lernende Neuronale Netze (z. B. Perzeptren, mehrlagige Perzeptren, Radiale Basisfunktions-Netze), unüberwacht lernende Neuronale Netze (z. B. Wettbewerbslernen, selbstorganisierende Karten), First-Order-Lernverfahren, Second-Order-Lernverfahren, Fuzzy-Logik und Fuzzy-Systeme, Genetische Algorithmen und Evolutionäre Verfahren. Zu den einzelnen Bereichen werden jeweils Anwendungsbeispiele besprochen und es werden auch Kombinationen verschiedener Verfahren vorgestellt.

Inhalt der Übung

Die Übungen bestehen sowohl aus Papier- als auch aus Rechnerübungen. In den Rechnerübungen wird mit der Software MATLAB und geeigneten Toolboxen (beispielsweise zu Evolutionären Algorithmen oder Fuzzy-Logik) gearbeitet.



Dreilagiges Perzeptron (Backpropagationnetz)



Lernschritt bei einer eindimensionalen selbstorganisierenden Karte (Self-Organizing Map)

Informationen
  • Ansprechpartner für die Vorlesung sind Prof. Dr. Bernhard Sick und M.Sc. Benjamin Herwig.

  • Formale, allgemeine Angaben zur Vorlesung (z. B. Zuordnung zu Anwendungsgebieten, Kreditpunkte, Prüfungsart) sind im Modulhandbuch zu finden.
    Studiengang -> Prüfungsordnung -> Modul

  • Die Vorlesung ist auch in der Elektrotechnik anrechenbar!

  • Jeweils aktuelle Informationen zur laufenden Vorlesung (z. B. Folien, Literaturhinweise, Prüfungstermine) werden im Moodle der Universität Kassel bereitgestellt.

  • Link zum Vorlesungsverzeichnis