spieleprogrammierer.de - Forum und Wiki zur Spieleprogrammierung und Spieleentwicklung

Zitat von »LetsGo«

Also ein allerletzes Mal. Ich hab niemals behauptet, dass man Systemtheorie unbedingt braucht um da was von zu kapiern.

In dem Fall hast du dich wohl einfach sehr unglücklich ausgedrückt, denn ich und wohl auch jeder andere hier, hab diese Aussage anders verstanden:

Zitat von »LetsGo«

OK, dann korrigiere ich mich dahin gehend, wenn man es wirklich verstehen will kommt man um Systemtheorie nicht rum (und diese erfordert sehr viel Mathematische Kenntnisse).

Und so wie ich das verstanden hab, ist diese Aussage eben einfach nicht korrekt. Wenn ich an Systemtheorie denke, dann denk ich da an Übertragungsfunktionen, Trajektorien, Transitionsmatritzen, Laplace Transformationen, Pol-Nullstellen-Diagramme, Ortskurven etc. Und davon muss man bei NN auch für tiefergehendes Verständnis absolut nichts wissen...

Zitat von »LetsGo«

Das hat irgendwer in den Raum geworfen und einige haben sich dran aufgegeilt und wollen mich widerlegen.

Wie du siehst, hast du das schon selbst geschrieben. Wieso sollte man auch etwas widerlegen wollen, was du niemals gesagt hast?

Zitat von »LetsGo«

Du hast ja recht damit, dass man Systemtheorie immer betreibt, wenn man irgendwas mit mehreren "Objekten" mathematisch beschreibt. Das ändert aber nichts daran, dass man es tut.

Und jedesmal, wenn ich in mein Auto steige, betreibe ich Physik, Chemie und was weiß Gott noch so alles, sogar Psychologie. Und überhaupt betreibe ich, rein durch meine körperliche Existenz bedingt, ständig Biologie...

Aber ist auch egal, offenbar ist das einfach nur falsch rübergekommen...

Glückwunsch zu Deinem Erfolg
Ich habe in der 12. Klasse das erste Mal mit neuronalen Netzen gearbeitet (meine Facharbeit darüber geschrieben). Ich fand dieses Buch http://www.amazon.de/Simulation-neuronal…l/dp/3486243500 ziemlich hilfreich und es bietet meiner Meinung nach einen sehr angenehmen Überblick über das gesamte Spektrum neuronaler Netze. Am Ende habe ich dann über das Neocognitron meine Facharbeit geschrieben und handgeschriebene Nullen und Einsen erkannt. Das war schon sehr spaßig. Wenn einem die normalen KNN zu fern von biologischen neuronalen Netzen sind, kann ich nur empfehlen sich mal das Neocognitron spaßeshalber anzuschauen.

Prinzipiell ist fast jede (stückweise) stetige Funktion zulässig, wenn ich mich recht erinnere. Nicht selten wird einfachheithalber eine Heaviside Funktion genommen. Den alten Zustand brauchst du wenn du z.B. eine Totzeit/Regenerationsphase berücksichtigen willst oder das ganze eine Art Gedächtnis (Integration über die Zeit) erreichen willst.
Ich finde es ja wacker, dass du dich mit NN rumschlägst aber nach meinem Kenntnisstand kannst du NN für Echtzeitspiele vergessen, da sie sich leider Analysevorgängen wie sie beim Debuggen notwendig sind oft entziehen. Vorallem die Kausalität (welche Ursache steht genau hinter welcher Wirkung) ist nicht immer einsichtig. Paradebeispiel war eine Software zum Erkennen von Panzern. Bei den Testbildern hat alle wunderbar geklappt, aber bei dem Test in der Realität versagte das NN. Später fand man raus, dass der Grund das erhöhte Auftreten von niedrigen Sonnenständen bei dem Bildern mit Panzer war und das NN sich so auf das Erkennen der Sonne fixierte.
Kurz zusammen gefasst:
NN scheinen chic aber mein weiß oft nicht was genau es eigentlich gelernt hat bzw. erkennt. Auch sind sie sehr langsam und oft sidn fuzzy/if-else etc. nicht wesentlich schlechter. Aber wenn dich das Thema aus reiner Wissbegierde interessiert, will ich dich nicht von abhalten. Spannend ist es allemal.

Versuch mal "propagate() > threshold ? 1 : 0" (was einer heaviside funktion entsprechen würde. tanh könnte linear über eine zu große Breite um den Wendepunkt sein.

Über die Eigenschaften etc. klärt wiki ganz gut auf. Rein formal kann man damit ein NN mit einer n-dim Ebenengleichung idenifizieren. Vorteil ist halt dass es eine sehr einfache Funktion ist und das Verhalten damit vergleichsweise stabil. Wenn ich mich recht erinnere ist z.B. eine (zu) lineare response Funktion ungeeignet weil es schnell zum Tod eine NN führt (durch Über- bzw. Unteraktivität). Alternativ kann man schon tanh ähnliche Funktionen ala §f(x)= \frac{1}{\exp(\beta x)+1}§ nutzen, wenn die Breite für den Sprung klein genug ist. Ich hörte auch davon, dass es geschickt sein kann, wenn man solche Funktionen mit einem Term versieht der das Ausgangssignal wieder Null setzt, wenn die Eingangsaktivität zu hoch ist um den Epilepsiähnlichenzustand zu vermeiden.