Didaktischer Ansatz zur Entwicklung künstlicher neuronaler Netze

Ein praktisches Projekt zum autonomen Fahren

  • Ron van de Sand TH Wildau
  • Sebastian Schulz TH Wildau
  • Jörg Reiff-Stephan
  • Alexander Stolpmann TH Wildau

Abstract

Die zunehmende Komplexität zukünftiger Automatisierungssysteme erfordert den vermehrten Einsatz von maschinellen Lernmethoden, wodurch neue Anforderungen an die Lehre an Hochschulen im Bereich der Ingenieurwissenschaften gestellt werden. Dieser Beitrag beschreibt einen didaktischen Ansatz zur projektbasierten Wissensvermittlung anhand des autonomen Fahrens. Im vorgestellten Lehrprojekt wird ein künstliches neuronales Netz (KNN) zur Steuerung eines autonomen Fahrsystems entwickelt.
Darüber hinaus wird das Funktionsprinzip von genetischen Algorithmen als globale Optimierungsverfahren gelehrt und als Methodik zur Strukturoptimierung von KNN angewendet.

References

  1. Ge, Z., Song, Z., Ding, S. X., Huang, B. (2017). Data mining and analytics in the process industry: The role of machine learning. IEEE Access, 5, (pp. 20590-20616).
  2. Statista GmbH. (2019). Prognose zum Umsatz mit Unternehmensanwendungen im Bereich künstliche Intelligenz in Europa von 2016 bis 2025. Abgerufen von: https://de.statista.com/statistik/daten/studie/620513/umfrage/umsatz-mit-anwendungen-im-bereich-kuenstliche-intelligenz-in-europa/ 2019
  3. Sapp, C. E. (2017). Preparing and architecting for machine learning. Gartner Technical Professional Advice, (pp. 1-37).
  4. Heidling, E., Meil, P., Neumer, J. (2019). Ingenieurinnen und Ingenieure für Industrie 4.0. In IMPULS-Stiftung für den Maschinenbau, den Anlagenbau und die Informationstechnik, (pp. 15), Berlin, 2019.
  5. Janglová, D. (2004). Neural networks in mobile robot motion. International Journal of Advanced Robotic Systems, 1(1), (pp. 2).
  6. Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep learning. MIT press.
  7. Rumelhart, D. E., Hinton, G. E., Williams, R. J. (1988). Learning representations by back-propagating errors. Cognitive modeling, 5(3), (pp. 1).
  8. Itano, F., de Sousa, M. A. D. A., Del-Moral-Hernandez, E. (2018). Extending MLP ANN hyper-parameters Optimization by using Genetic Algorithm. In 2018 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE.
  9. Mitchell, M. (1999). An Introduction to Genetic Algorithm. Cambridge (MA), London: MIT Press.
  10. Stolpmann, A., Dooley, L. (2000). A Texture Classification System Using Statistical and Soft-Computing Methods. In Texture Analysis in Machine Vision, Series in Machine Perception and Artificial Intelligence, World Scientific (pp. 53-65), Singapur, 2000.
Veröffentlicht
2019-09-26
Zitieren
VAN DE SAND, Ron et al. Didaktischer Ansatz zur Entwicklung künstlicher neuronaler Netze. atp magazin, [S.l.], v. 61, n. 9, p. 82-87, sep. 2019. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/2405>. Date accessed: 14 okt. 2019.
Rubrik
Hauptbeitrag / Peer-Review

Am häufigsten gelesenen Artikel dieser/dieses Autor/in