1. Beleg: einfache chaotische Reihe - Prognose

Durch Parametrisierung einer Generierungsfunktion r(i+1)=c*r(i)*(1-r(i)) fuer eine chaotische Reihe (Parameter: Konstante c und Startwert r0) kann der Nutzer eine Folge von 5 Werten der entsprechenden chaotischen Reihe erzeugen.
Mit Hilfe eines vorher trainierten Neuronalen Netzes wird nun versucht, den naechsten Folgewert zu prognostizieren. Zum Vergleich kann der Nutzer zusaetzlich den korrekten, berechneten Wert anzeigen lassen.

Die Gewichte fuer das Neuronale Netz muessen vorher in einer entsprechenden Datei bereitgestellt werden. Diese kann mit Hilfe einer weiteren kleinen Anwendung erzeugt werden.
Die Anwendung enthaelt einige Trainingsdatensaetze fuer das Neuronale Netz, die aus Reihen mit verschiedenen Parameterwerten entnommen wurden.
Der Nutzer kann eine neue Gewichte-Datei (d.h. ein untrainiertes Netz) erzeugen oder eine bereits vorhandene Gewichte-Datei oeffnen. Das durch diese Gewichte bestimmte Neuronale Netz kann dann trainiert werden. Zum Schluss kann das Ergebnis wieder in Form einer Gewichte-Datei gespeichert werden.

Download der Anwendung
 

Beleg 2: OCR - Erkennung von handschriftlichen Zeichen

Die Anwendung erlaubt das Anlegen und Abspeichern von 50 unterschiedlichen zu erkennenden Mustern/Zeichen. Zu jedem dieser Zeichen koennen beliebig viele Trainingsdatensaetze erstellt und verwaltet werden. Die Zeichen/Muster koennen dabei jeweils mit der Maus in ein entsprechendes Feld "gemalt" werden. Das Training des enthaltenen Neuronalen Netzes kann bequem ueber die grafische Oberflaeche gesteuert werden. Das jeweils erkannte Zeichen wird in einem entsprechenden Feld angezeigt.

weitere Infos und Benutzerdoku

Download der Anwendung
 

In beiden Belegen wird ein in Java implementiertes Neuronales Netz verwendet. Dieses steht in Form der Klasse "myMLP" zur Verfuegung. Die Klasse realisiert ein Multi-Layer-Perceptron mit frei waehlbarer Anzahl Hidden-Schichten und beliebig waehlbarer Anzahl Neuronen in jeder Schicht.
Es sind die wichtigsten/grundlegenden Operationen fuer die Arbeit mit dem Netz vorhanden. Zusaetzlich ist das Backpropagation-Verfahren mit Momentum implementiert.
Durch Nutzung der Klasse kann jeder Anwendung die Funktionalitaet eines Neuronalen Netzes zur Verfuegung gestellt werden.
 

Dokumenation

Download