Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme:
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Format: | Hochschulschrift/Dissertation Buch |
| Sprache: | Deutsch |
| Veröffentlicht: |
Berlin
Verl. für Wiss. und Kultur (WiKu-Verl.)
2002
|
| Schlagwörter: | |
| Links: | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=012030235&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| Umfang: | XLIII, 334 S. graph. Darst. |
| ISBN: | 3936749507 |
Internformat
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV019263758 | ||
| 003 | DE-604 | ||
| 005 | 00000000000000.0 | ||
| 007 | t| | ||
| 008 | 040422s2002 xx d||| m||| 00||| ger d | ||
| 020 | |a 3936749507 |9 3-936749-50-7 | ||
| 035 | |a (OCoLC)314214621 | ||
| 035 | |a (DE-599)BVBBV019263758 | ||
| 040 | |a DE-604 |b ger |e rakwb | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-N2 |a DE-188 | ||
| 084 | |a QH 700 |0 (DE-625)141608: |2 rvk | ||
| 100 | 1 | |a Stahlbock, Robert |d 1967- |e Verfasser |0 (DE-588)124295673 |4 aut | |
| 245 | 1 | 0 | |a Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme |c Robert Stahlbock |
| 264 | 1 | |a Berlin |b Verl. für Wiss. und Kultur (WiKu-Verl.) |c 2002 | |
| 300 | |a XLIII, 334 S. |b graph. Darst. | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 502 | |a Zugl.: Hamburg, Univ., Diss., 2002 | ||
| 650 | 0 | 7 | |a Entscheidungsmodell |0 (DE-588)4121201-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Klassifikation |0 (DE-588)4030958-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Cluster-Analyse |0 (DE-588)4070044-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Evolutionärer Algorithmus |0 (DE-588)4366912-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Einzelhandelsfiliale |0 (DE-588)4151450-6 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Standortplanung |0 (DE-588)4077832-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prognose |0 (DE-588)4047390-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Umsatz |0 (DE-588)4186786-5 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Einzelhandelsfiliale |0 (DE-588)4151450-6 |D s |
| 689 | 0 | 1 | |a Standortplanung |0 (DE-588)4077832-0 |D s |
| 689 | 0 | 2 | |a Cluster-Analyse |0 (DE-588)4070044-6 |D s |
| 689 | 0 | 3 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 0 | 4 | |a Evolutionärer Algorithmus |0 (DE-588)4366912-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Einzelhandelsfiliale |0 (DE-588)4151450-6 |D s |
| 689 | 1 | 1 | |a Standortplanung |0 (DE-588)4077832-0 |D s |
| 689 | 1 | 2 | |a Umsatz |0 (DE-588)4186786-5 |D s |
| 689 | 1 | 3 | |a Prognose |0 (DE-588)4047390-9 |D s |
| 689 | 1 | 4 | |a Klassifikation |0 (DE-588)4030958-7 |D s |
| 689 | 1 | 5 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 1 | |5 DE-188 | |
| 689 | 2 | 0 | |a Entscheidungsmodell |0 (DE-588)4121201-0 |D s |
| 689 | 2 | 1 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 2 | 2 | |a Evolutionärer Algorithmus |0 (DE-588)4366912-8 |D s |
| 689 | 2 | |5 DE-188 | |
| 856 | 4 | 2 | |m HBZ Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=012030235&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-012030235 | |
Datensatz im Suchindex
| _version_ | 1819350718992089088 |
|---|---|
| adam_text | Inhaltsverzeichnis
Abbildungsverzeichnis xiii
Tabellenverzeichnis xv
Abkürzungen, Akronyme xvii
Symbole xxi
1 Gegenstand und Ziel dieser Arbeit 1
2 Musterklassiflkation und ihre statistischen Grundlagen 5
2.1 Klassirikationsprohlcme 5
2.1.1 Klassifikation 5
2.1.2 Muster 5
2.1.3 Kla.ssiHkationsverfaIiren C
2.2 Grundlagen der statistischen Entsclieidungstheone 8
2.2.1 Statistische Verfahren 8
2.2.2 Wahrscheinlichkeit 8
2.2.3 Diskrete und stetige Zufallsgiöfien 9
2.2.4 Wahrscheinlichkeiten hei der Klassifikation und B.WESsches
Theorem 1(1
2.3 lUnstcikliissirikntion 11
2.3.1 Kosteimuttrix und Risikovektor 11
2.3.2 Dcfaiilr-Regcl 14
2.3.3 Kosteiimininiierung naeh BAYES 14
2.3.4 Ansätze zur MusterklMssifikatioii 18
2.3.5 Struktur eines Musterklassifikators 21
2.4 Bewertung von Klassifikationslösiingen 24
2.4.1 Klassitikationsergebnis 24
2.4.2 Algorithmuskoniplexität 27
3 Künstliche neuronale Netze 29
3.1 Künstliche neuronale Netze als Beiecluiungsinodell 29
3.1.1 Künstliche Intelligenz 29
3.1.2 Symbolik und Siil svnil olik 30
3.1.3 Überblick über die Entwicklungsgeschichte 30
x . ____ Inhaltsverzeichnis
3.2 Struktur künstlicher neuronaler Netze 31
3.2.1 Konnektionismus und Maschinelles Lernen 31
3.2.2 Neuronen. Neuronenverbindungen und Verbindungsgewichte ... 33
3.2.3 Netztopologie 34
3.2.4 Neuronenschichten 35
3.2.5 Verarbeitungsfunktionen 35
3.2.5.1 Eingabefunktion 35
3.2.5.2 Aktivierungsfunktion 3ß
3.2.5.3 Ausgabefunktion 39
3.2.6 Zusammenfassung 3g
3.3 Typisierung künstlicher neuronaler Netze [ 40
3.3.1 Typisiernngskriterien 40
3.3.1.1 Anzahl der Neuroneaschiehten und Stufen 41
3.3.1.2 Richtung der Verbindung zwischen Neuronen 41
3.3.1.3 Richtung der Signalausbreitung im Netz 41
3.3.1.4 Form der Verbindung zwischen zwei Nruroneiisdiicht.cn . 44
3.3.1.5 Linearität ^
3.3.1.0 Lernstrategien 4(j
3.3.1.7 Lernzicle ^
3.3.1.8 Lernmethoden und Lernregeln 48
3.3.1.9 Klassifikationsprinzip 51
3.3.1.10 Problemtyp und Anwendungsgebiet . . . . 51
3.3.1.11 Aktivieruugsdynainik 54
3.3.2 Typisierung nach Kriterien ... 55
3.4 Eigenschaften künstlicher neuronaler Netze 58
3.4.1 Vorteilhafte Eigenschaften ... 58
3-4.1.1 Modellfreiheit . . . . . 58
3.4.1.2 Verteilte Wissensrepräsentation 59
3.4.1.3 Generalisienmgsfiihigkeit . . 59
34.1.4 Lernfähigkeit 00
3.4.1.5 Parallelverarbeitung 61
3.4.1.6 Fehlertoleranz 02
34.1.7 Anpassungsfähigkeit . . . . 63
3.4.1.8 Approxiiuationsfähigkeit 53
3.4.1.9 Niehtlinearität . . ö4
3.4.2 Problembereiehe beim Einsatz neuronaler Netze . . Ci5
J.4.2.1 Uberlernen und Unterlernen an
3-4.2.2 Datenbedarf ; ; ™
3.4.2.3 Ergebnisinterpretatioii . . e9
3.4.2.4 Konvergenzverhalten und Lerngeschwindigkeit . . . . . . 74
3.4.2.5 Mangel an Vorteilen gegenüber anderen Verfahre». ... 75
J.4.2.b Netzauswahl und Netzentwurf . . 77
34.2.7 Stabilitäts-Plastizitäts-Dilemma 77
Inhaltsverzeichnis xiü
3.4.2.8 Erwartungshaltung 78
3.5 Entwicklungsprozeß für künstliche neuronale Netze 79
3.5.1 Vorgehensmodell nach BAILEY 80
3.5.2 Vorgehensmodell muh MILLER 81
3.5.3 Entwickhiiigsmethodologie nacli Baun 82
3.5.4 Vorgehensinodell n»u-h ANDERS 83
3.5.5 Entwickhiiigsinethodologie nach ScHERER 83
3.5.G Vorgehensinodell nach Alex 84
3.5.7 Ein allgemeines Vorgehensiiiodell 84
3.5.7.1 Vorhereitungspliase 87
3.5.7.2 Aufhan und Pflege der Datcul a.sis 90
3.5.7.2.1 Dateiisaininlung und -aufl ereitung 90
3.5.7.2.2 Datenaktualisiening 104
3.5.7.3 Modellerstellung 105
3.5.7.4 Modellalmahine und Wartung 107
3.5.7.5 Dauer des Entwicklungsprozesses 108
3.5.7.0 Generalisierung oder Spezialisierung 108
3.5.7.7 Einsatz mehrerer Netze in einem Netzgrcniiuin 109
3.5.7.8 Offene Fragen zur Entwicklung neuronaler Netze .... 110
4 Künstliche neuronale Netze zur Klassifikation 111
4.1 Grundaiinahnien und Älmlichkeitsinaße 111
4.2 Prohalnlistisches Neuronales Netz (PNN) 110
4.2.1 Dichtesehätzuiig mit GAUSSschen Exponentialfunktionen 110
4.2.2 Implementierung als neuronales Netz 127
4.2.2.1 Architektur 127
4.2.2.1.1 Eingabescliieht 127
4.2.2.1.2 Musterschicht 127
4.2.2.1.3 Smninationsschicht 129
4.2.2.1.4 Aiisgaliescliicht 129
4.2.2.2 Lern- und Testverfaliren 131
4.2.3 Beurteilung des Verfahrens 132
4.2.3.1 Vorteile 132
4.2.3.2 Nachteile 134
4.2.4 Ergänzungen des PNN-Verfahrens 135
4.2.5 Mehrschiclit-Perzcptron als BAYES-Klassitikator 135
4.2.0 Offene Fragen zur Entwicklung und Anwendung eines PNN .... 130
xiv
¦ Inhaltsverzeichnis
Tr52^* ™ »
Ul! Uat«nvorverarbeitung 138
4.3.3 Besondere Eigenschaften 139
4-3.4 Klawische LVQ-Lernverfahren 139
4.3.4.1 LVQl-Algorithmus 140
4.J.4.2 OLVQl-Algorithmus 142
4-3.4.3 LVQ2-AIgorith,nu8 145
4-3.4.4 LVQ2.l-AIgorithu.us . 148
4, r t A ^^Algorithmus . 153
4.3.Ü Imtialisierungsverfahren 154
S! ftS,fc « «««» *,.»::::::::::::: S
«7.1 WQ »I, .g™w 157
S^Ä^::::::::::S
«» SÄ^i.::::: S
«.. *»-i.o,.Är ;::s, -ILVci-N*™ ¦ • • • : ¦ ;™
4-4.4 Lernen und Validierung 171
° ErSeljni.sinterpretation . . 171
5 *p;pSixSb^^ Z
5-2 Evolutionäre Algorithmen lj OlOßIsdl™ Evolutionstheorie .... 3
5-2.1 Grundlagen . . . . . . 176
°2-2 Genetische Algorithmen 170
«£ Sr:r-^rifeu dB-- «„i„s:::::;;; S
5.2.2.3 Genetische Operatoren 182
5-22.3.1 Selektion m
5-2.2.3.2 Cmssover 183
190
Inhaltsverzeichnis xv
5.2.3 Threshold Acecpting 193
5.2.4 Dcstabilisierungsverfahreii nach ABLAY 195
5.2.5 Zusammenfassung 190
5.3 Beispiele zur Kombination Genetischer Algorithmen mit, LVQ-Netzen . . 197
5.3.1 Geiietic Learning Vector Quantization (G-LVQ) nach
MERELO et al 197
5.3.2 Genetische Modellierung eines LVQ-Mo lells (LVQ-GA) nach De-
RIGS et al 199
5.4 Evolutionäre Entwicklung von LVQ-Netzen und PNN 200
5.4.1 Codierung von LVQ-Netzen 200
5.4.1.1 Bhiärcodienmg von Eingabenemoncn 201
5.4.1.2 Dezimal« odierung von Eingabeiieiuoiien zur Auswahl von
Emgabenierkinaleu mit Hilfe einer gewichteten Euklidi¬
schen Distanz 201
5.4.2 Codierung von PNN 207
5.4.3 Prüfung von Genera lisicnmg und Fitncßfunktion 207
5.4.4 Tlueshold Accepting zur Entwicklung von LVQ-Netzen (TA-LVQ) 210
5.4.4.1 Genetische Operatoren 210
5.4.4.2 Destabilisierung und Yerfahrensparanieter 210
5.4.4.3 Selektionskiiterien 210
5.4.4.4 Möglichkeiten der Implementierung des Verfahrens ... 211
5.4.4.4.1 Sequentielles Entwieklungsvei fahren 211
5.4.4.4.2 Paralleles Entwicklungsverfahreii 212
5.4.4.5 Auswahl und Anwendung von LVQ-Netzen 213
5.4.5 Genetische Algorithmen zur Entwicklung von LY(J-Netzen
(GA-LVQ) 214
5.4.5.1 Verfahrensprinzip 214
5.4.5.2 Crossover-/Mutations-()perator und Selektions-
liiechaiiisiuen 214
5.4.5.3 Destabilisierung 215
5.4.5.4 Parallcl-Iinpleiiientieruiig des Verfahrens 215
5.4.0 Genetische Algorithmen zur Entwicklung von PNN (GA-PNN) . . 210
5.4.0.1 Yerfahicnspriir/ip 21(i
5.4.0.2 Genalischiiitte. genetische Operatoren und a-Variation . 210
5.4.0.3 Fitiielffunktion und Selektioiisnux lianiMiien 217
5.4.0.4 Paralh l-Iinplenientieriing des Verfahrens 218
5.4.7 Progiaiiiniierung von TA-LVQ. GA-LVCJ und CiA-PNN 218
xvi
Inhaltsverzeichnis
6.1 Betriebliche Stamlortplanung rnehmens 221
0.2 Methoden der Standortwahl 221
6-2.1 Die Bedeutung des Umsatzes und der Umsatzprognose ™
0.2.2 Abgrenzung von Absatzgebieten P™g„ose 223
0.2.2.1 Empirische Bestimmung des Absatzgebiets f
6-2.2.2 Raumgebietsmodelle ü,
6-2.2.3 Distanzmodelle 224
6.2.3 Stan,.ortbewertungsmeth„den- Umsatzprognose 5
0.2.3.1 Analogmethode l6
0.2.3.2 Regressionsanalyse 23°
6tii p^!iSten- UIld S ^ing-Verfahren . . SS
b.2.3.4 Portfoho-Ansatz ZM
6 3 u! 4 t Ktan IOrtplanil S als Klassifikationsproblom S?
6.3 Ungezogene Sta„dortklassinkation J ^»^ ^^ ™
sS^ÄÄ : ^^^::::::::------s
633 ^ÄSÄSS~^;:::::
6-3.3.3 GA-LVQ 240
6.3.3.4 GA-PNN 240
63.5 3 E„Wckl„,Wi|K t,,„tM 252
7 Zusammenfassung und Ausblick
263
Inlialtsverancluiis xvü
Anhang 267
A Herleitung der Delta-Regel 271
B Ergebnisse Standortklassifikation 273
B.l Ergflniiwliagriuiiiiic 273
B.2 Ergfl)iiist«l)cll(-n 293
Literaturverzeichnis 305
Abbildungsverzeichnis
2.1 Diskrimhiaiizfunktionen verschiedener Klassifikationsverfaliren (N = 1.
A = 2) 19
(a) Dichteschätzer 19
(I)) Schätzer von a-posteriori-Wahrscheinlichkeiten 19
(c) Grenzbildender Klassitikator 19
2.2 Trainingsprinzip verschiedener Klassifikationsveifuhren (N — 2. A = 2) . 20
(a) Diehteschätzcr 20
(h) Schätzer von a-posteriori-Wahrscheinlichkeiten 20
(c) Grcnzbildcnder Klassihkator 20
2.3 Globales und lokales Klassihkationsverfahren im zweidhnensionalen Ein-
gaberamn 21
(a) Globale Klassifikation durch Hyperebene 21
(b) Lokale Klassifikation durch umschlossene Cluster 21
2.4 Klassifikationsprozeß 22
2.5 Diski imiuauzfunktionen rfi-(JF) und Klassenregionen bei A = 3 und N = 1 23
3.1 Konnektionisnius als interdisziplinäre Wissenschaft und Basis für die Ent¬
wicklung künstlicher neuronaler Netze 32
3.2 Neuion mit Verbindungen 34
3.3 Beispiele deterministischer Aktivienmgsfuiiktionen eines Neurons .... 38
(a) Linear (Identität) 38
(b) Lineal zwischen Schwellenwert x„ und Sättigungsgreuze x° 38
(c) Binär mit. Schwellenwert x„ 38
(d) Logistisch (binär sigmoid) 38
(e) Logistisch (bi])olar sigmoid) 38
(f) Tangens Hyperbolicus 38
(g) Sinus mit Schwellenwert .r„ und Sättigungsgrenze .r 38
(h) GAUSS-Exi)oiienlialfiinktiou 38
3.4 Neuron mit Verbindungen und Verarbeitimgsfnuktionen 39
3.5 Richtung der Verbindungen zwischen zwei Neuronen 42
(a) Uuidirektional 42
(b) Bidirektional 42
3.G Vorwärtsgekoppelte neuronale Netze 42
(a) (ebenenweise) Vorwärtsgekoppelt 42
(b) Vonvärtsgckoppelt mit Abkürzungsverbindungen 42
xx Abbildungsverzeichnis
3.7 Rückgekoppelte neuronale Netze 44
(a) Direkte Rückkopplungen 44
(b) Indirekte Rückkopplungen 44
(c) Laterale Rückkopplungen (ohne direkte Rückkopplung) 44
(d) Vollständige Verbindung (ohne direkte Rückkopplungen) 44
3.8 Formen der Verbindungen zwischen zwei Neuronenschichten 45
(a) Fan-In 45
(b) Fan-Out 45
(c) Korrespondierend 45
(d) Zufällig 45
3.9 Lernen und Generalisieren für Klassifikation und Prognose 61
3.10 Problenistrukturen und geeignete Lösungsverfahren 65
3.11 Überanpassung durch Auswendiglernen 67
(a) Überanpassung an einen Funktionsverlauf 67
(b) Überanpassung an Klassifikationsgrenzen 67
3.12 Vorgangsniodell zur Entwicklung neuronaler Netze nach BAILEY 80
3.13 Tätigkeitsblöcke zur Entwicklung eines neuronalen Prognosemodells nach
Miller 82
3.14 Entwicklungsniethodologie neuronaler Netze nach Baun 82
3.15 Iterativer Prozeß zur Entwicklung neuronaler Netze nach Anders .... 83
3.IC Entwicklungsniethodologie neuronaler Netze nach Scherer 84
3.17 ..Arbeiten mit neuronalen Netzen nach Eberhart et al 85
3.18 Rückgekoppelter Entwicklungsprozeß neuronaler Netze 86
3.19 Formen der Datennornialisierung 89
(a) Vertikale Normalisierung für einen Kanal (along Channel) 89
(b) Horizontale Normalisierung für einen Kanal (aervss Channel) . . ¦ • 89
3.20 Prinzip des Überlernens mit Lernfehleranstieg auf Testdaten 99
3.21 Auswirkungen des Stop-Trainings bei verschiedenen Testverläufen . ¦ ¦ • 10°
(a) Stop-Training mit Wiederholungsanzahl 5 bei idealtypischein Fehler-
verlatif 100
(b) Stop-Training mit Wiederholungsanzahl 5 bei nicht-idealtypisehem
Felllerverlauf 100
3.22 Aufteilung der Daten in Trainings-, Test- und Validierungsinenge L, T
und V 103
(a) Entkoppelte Aufteilung in Trainings- und Testmenge 103
(b) Verzahnte Aufteilung in Trainings- und Testmenge 103
3.23 Lern- und Testmengen für das Lcavp.-Onc-Ont-Verfahren 105
4.1 City-Block-Distanz 0C im zweidimensionalen Vektorraum 1^
4.2 Euklidische Distanz f E im zweidimensionalen Vektorraum ll4
4.3 Beispiele für eindimensionale Basisfunktionen a = K(v) (I) 1^
(a) Kernelfunktion Beispiel 1 (nach Picard)
a = l/2-e-M 118
Abbildungsverzeiehnis xxi
(1 ) Kernelfunktion Beispiel 2 (nach Gauss)
a = l/ /27r ¦ e v2/ 2 118
( ) Kernelfunktion Beispiel 3 (iiuiforin)
a = l/(2cr) für |i | l;0 si iist mit a = 1 118
4.4 Beispiele für eindimensionale Basisfunktionen a = A (i ) (II) 110
(a) Kernelfunktion Beispiel 4
(luull EPANECHNIKOW)
a = 3/4(1 - i-2) für v 1:0 sonst 119
(I)) Kernelfiuiktioii Beis])iel 5 (Dreieck)
ö = 1 - |c| für |e| 1:0 sonst mit er = 1 119
(e) Kernelfiinktion Beispiel G
(in Anlehnung an Cauchy)
a= (iTff(l + (v/ 7)2)^ mit er =1/2 110
4.5 Beispiele (eindimensional. N = 1) für PARZEN-Schatzfunktionen }l(x)
(liueh L GAUSS-Basisfiinktionen mit L = 4 123
(a) Beispiel 1 123
(1)) Beispiel 2 123
4.0 Unterschiedliche Weiten der GAUSS-Glocken (a) zur Dielitesehätüiing (I) 124
(a) sehr kleines j 124
(I)) großen« a 124
4.7 Untei-scliiedliehe Weiten der GAUSS-Gloeken (er) zur Diclitesrhätzung (II) 125
(a) noch größeres er 125
(b) großes r 125
(e) sehr großes a 125
4.8 Dichteschätziing mit niehtexponentieller Kernelfiinktion 120
4.9 Architektur eiiKv Probabilistisehen Neuronalen Netzes (für zwei Klassen) 128
4.10 Neuionenaktivität und resultierende Ktassengrenzen (Beispiel mit vier
Miisterneuronen für drei Klassen 130
(a) Aktivität der vier Neiironen 130
(1 ) resultierende drei Klassen ( lreidiniensionid und Kla.ssengrenzeii) . . 130
4.11 Repräsentation des Musters .? in einem Gewiclitsvektor Wj 131
4.12 Pseudocode für den PNN-Algoritliinus zum Lernen von Mustern 133
4.13 PseiidiM-odi- für den PNN-Algorithmus zur Klassifikation von Mustern . . 133
4.14 Vektor(|Uantisieiuug zur Approximation der Dichte von Eingfibeniustern
im zweidimensionali H Eingaberaimi 137
4.15 Architektur eines LVQ-Netzes 13!)
4.10 rteferenzvektor und Kohonen-Neuron im LYQ-Netz 141
4.17 Verwliiebungspfad«1 riiirs C odebook-Vektoi s Iwim LVCJ1 -Verfahren bei mi-
tei scliiefllicher PriisentatioiisR ihenfolge dreier Lernnmster im zweidiinen-
sionnlen Merkinalsiaiini (konstante Lernrate a(t) =0.5) 144
4.18 Codebook-Vektoren. l o;w*o -ZerlegunR und Drlainiay-Nrt.x im zweidi-
mensioualeii Merkinalsraum 140
22 . . Abbildungsverzciehnis
4.19 Versehiebungspfado eines Codebook-Voktors beim OLVQ1-Verfahren bei
unterschiedlicher Präsentationsreihenfolge dreier Lernmuster im zweidi-
mensionalen Merkinalsraum (Start-Lernrate a(l) = 0 5) 148
4.20 Konvexes Fenster mit relativer Breite w im zweidimensionalenRaum . . 151
4.21 Änderung der Klassengrenze durch das LVQ2-Lernverfahren 152
(a) Fehlklassifikation von x vor Verschiebung der Codebook-Vektoren ww
und wr (Zeitpunkt () 152
(b) Korrekte Klassifikation von x nach Verschiebung ler Codebook-Vek¬
toren ww und wr (Zeitpunkt t + 1). Die alte Klassengrenze ist ..ge¬
dreht ; worden^ Künftig ist wT der Winner für x. der zu korrekter
Klassifikation führt 152
4.22 DSLVQ-Transformation 0£ -* 0DS hn zweidimensionalen Merkmalsraum 106
a ursprungheher. normaler Merkmalsraum mit Winner w, 166
(b) DS-Merkmalsraum mit Winner w2 166
5.1 Evolutionärer Algorithmus -Grundform im Pseudocode .. 177
5.2 Genetischer Algorithmus (Basisablauf) 181
5.3 Glücksrad zur fitneßproportionalen Selektion 184
5.4 1-Punkt-CroKsover .... ^
5.5 Q-Punkt-Crossover mit Q = 2 ,tl
5.6 Uniform Crossover 5.7 Mutation eines zufällig bestimmten Gens tt
°* SitZ rMutati— i-E - -^nW;peratore„):::::::«»
(b) Inversion (Reihenfolgeumk -hr) !!!!
51„ ^)lalfi1:e laeinesMutatio s-Sel^tions-Verfal,rens . 194
^S^^ StaWli-™^D-tabi.isieru„gs-Verfahre„
^SZ^ ^1^ ^ — - ^ « Evolutionären
514 sää^ 2
(a) Co lierung (Genotyp) . f.j.
(b) LVQ-Netz (Phänotyp) ^
5.15 Zusammenhang zwischen L2-Norm ||f||2 „nd mit ^ gewichteter L2-No„„
510 Ä^Ä^rP-^ 2°3
len Merk nal.sraum } ^X = J Wld % = ° 5 ini ^eidiinensiona-
517u^t^^^^^^run^^_„,;i,v 204
V-, und V2 6 ]0; 1] „„ zweidimensionalen Merkmalsraum . . 205
Abbildungsverzeichnis xxiii
5.18 Euklidische Distanz d E und mit i gewichtetc Distanz tj %. im zweidhnen-
sioiialen Mei kmaLsraiun 200
(a) Ursprünglicher, normaler Merkinalsraum mit — 4 2E 200
(b) ^ -Merknialsrauin mit Whuier i?2 (i i = l.Q = 0.5) 200
5.19 S-Kurve der absteigend sortierten Fitneß mit dazugehörigen Validierungs-
ergebnisseu verschiedener neuronaler Netze 208
5.20 Beispiel für S-Kurve, absteigender Fitneß mit dazugehörigen Validieruugs-
ergebnissen 20!)
(a) Idealtypischer Verlauf 209
(b) Schlechte GeiieralisiiTung bzw. ungeeignete Fitncßfunktioii 209
5.21 Sequentielle Entwicklung eines LVQ-Netzes durch TA-Algorithmus .... 212
5.22 Parallele Entwicklung eines LVQ-Netzes durch TA-Algorithmus 214
5.23 Parallele Entwicklung eines LVQ-Netzes durch GA 210
5.24 Parallele Implementierung von GA-LVQ und GA-PNN mit den Program¬
miersprachen Visual Basic und C 220
C.l Standortplanung und ihre Teilgebiete 222
0.2 Einzugsbereichsgrenze nach CONVERSE 227
0.3 Portfolio-Aiisatz zur Standortbcurteilung 233
(a) WeUbewerbsvorteile-Marktattiaktivitäts-Portfolio 233
(b) BEMA-M V-Poitfolio 233
(i.4 Prozentuale saisonale Uinsatzverteihing auf lie Monate eines Jahres . . . 237
0.5 Prinzipskizze eines typischen Fitneßverlaufs für einen GA-Lauf mit Desta-
bilisierung und Elite-Selektion 242
0.0 Typische S-Kurve für Standortklassifikation mit GA-LVQ 243
0.7 Maxima und Miniina der mittleren Klassifikationsratcn (Validierungsmeu-
ge) über verschiedene Versiiclisläufe von LVQ (manuell). GA-LVQ und
GA-PNN für Klein-. Mittel- und Großstädte 247
D.l LVQ (manuell) Kleinstädte mittlere Klassilikationscigcbiiis.se übei vier
Initialisierungen und drei Konstellationen der Lern-. Test- und Validic-
riingsineugeu 275
B.2 LVQ (nianiiell) Kleinstädte Schwankuiigsintervalle der Klassifikatioiis-
cigcbnisse über vier Initialisierungen und drei Konstellationen der Lein-.
Test- und Validieriingsiuengen 270
B.3 LVQ (manuell) Mittelstädte - mittlere Klassifikationsergehnisse über
vier Initialisierungen und drei Konstellationen der Lern-, Test- und Vali-
dierungsniengen 277
B.4 LVQ (manuell) - Mittelstädte Schwankuugsmterviille der Klassifikations-
raten iilier vier Initialisierungen und «hei Konstellationen der Lern-. Test-
und Vali lierungsinengen 278
^ Abbild.mgsverzeichnis
B.5 LVQ (manuell) Großstädte mittlere Klassirikationsergebnisse über vier
rmlgsmTeT Konstellationen ,1er Lern-. Test- und Validie-
B 6 JS^^ .G^te ^^un^n^tedCTkl^fil«;io,^ m
Sri vT **to***™w* und drei Konstellationen der Lern-,
lest- und Validierungsmengen ... 2g0
R7 SS K,lehf tMtV mlttfcre Klassifikationsergehnisse über drei Kon-
onetr^f Tr - t nd V li(1™ W gen für drei Fitneßfunk-
üter^K^^
tionen mit St,„vT • m Va!l ll( 1 »K«ineng,.n für drei Fitiu-ßfunk-
üb« dS ^^^J^^^^^K^^(^T
drei Fitneßfunktione» mit St. .^ a , Vahd.en.ngsmengen für
B.13 GA-PNN - Kleinst U i ammg/Vorgabe der Lemscl.rittanzahl . 286
stellatiol der T^^^^^^ ^ «•- drei Kon¬
tionen mit/ohne a-VariaUon Vai h ™ ^ ™g.« für drei Fitneßfunk-
14 nbe™ kIÜ2 ~ S;;h7 k-»^» t ;rvalle der Klassifikatkmsraten 2
B lft sät ^i-^Ärv-«™--- - 288
Funktionen mit/ohne a-Variat „n Vall lleru S« ™S™ «» «^ Fitneß-
B.1C GA-PNN Mittelstadt!. % , 28Ü
« »¦r drei KonsMhS™ ^ ^^ ^ ^ ^alle der Klassifikationsraten
- Fitneß OS m^/ie v ^ IUKl Vali - »^-g-- »
B.17GA-PNN Groß.t I ]1 29°
stellationen deT Lern teT(j liUle e.K assifikat o»«wgebnis.se über drei Kon-
tionen mit/ohne T-Vv riatin, ValKllen» ß«»« ngen für drei Fitneßfunk-
B.18 GA-PNN - Großstädte l i 2!)1
über drei Konste.laUonen^lt ^ d vl f h-ffl-to» *»
drei Fitneßfunktionen mit/ohne vanSon Vah;herun^»^« für ^
Tabellenverzeichnis
2.1 Symmetrische Klassifikationsmatrix für drei Klassen 20
3.1 Symbolischer und subsymbolischer KI-Ansatz 31
3.2 Eingabefunktionen riiH s Neuions j 30
3.3 Kennbuchstaben der Typisieriingskritcrien 50
3.4 Tvpisierung neuronaler Netze 57
3.5 Bcispiclr für Analogien in der Terminologie der Statistik und neuronaler
Netze 0
3.0 Zusammenhang zwischen Merkmals- und Skalcntvp 1)3
3.7 Abbildung von q ordinalskalierten Merkmalen auf q BinärvariaUen (q = 3)
(I) 93
3.8 Abbildung von q ordinalskalierten Merkmalen auf q Binärvariablen (q = 3)
(II) !«
3.9 Abbildung von q ordinalskalierten Mi iknialen auf q — 1 Binärvariablen
(9 = 3) 94
3.10 Abbildung von q ordinalskalierten Merkmalen auf eine Binärvariable durch
Mediaudichotomisierimg (q = 3) 94
3.11 Abbildung von q ordinalskalierten Merkmalen auf das Intervall [0: lj (q — 3) 95
3.12 Ergebnisse von Ents( heidungsregeln bei einem Gremium von drei Netzen
bei drei Klassen 110
5.1 Terminologie der Biologie und Evolutionärer Algorithmen 177
5.2 Terminologie der Biologie und Genetischer Algorithmen ISO
5.3 Beispiel für identische mittlere Klassifikationsrate (MKR) bei verschiede¬
nen Einzelklassirikationsratcn (EKR) und Auswirkungen verschiedener
Fitneltfunktionen F() 191
0.1 Katalog von Standortfaktoreii für Checklisten-Verfahren (Ausschnitt) . . 231
0.2 Klasseneinteilungen für den Jahresumsatz an Artikeln der Proiluktgiuppe
II (») 237
0.3 Konstellationen di s Umfrtiigs (Anzahl an Datensätzen) der Lern-, Tost-
iniil Validieiungsineiige für verschiedene Stadttvpen 238
0.4 LYQ (manuell) Parainetenverte NeURAlVVorks 23 J
0.5 GA-LVQ Pairtinetenveite 241
CG GA-PNN - Paraineterwerte 244
xxvi
. . Tahelleiwr/eichnis
6.7 Maxiina und Minima der mittleren Klassifikationsraten (Validimmgsme,,-
61°SSS:»r——--—¦251
™1 nft de, pZ Flhale;ßPrhfe ei re Startt*I* (D-«] iHwerte. Aas-
schnitt de. Fihaleigenschaften, [-1; l]-skaliert 251
«Ani^fTr ^ drd CÄ*VokU,ren für drei Kl^
5 ^:t:;;sr;ta£!^ 2
lere Umsatzklas.se .... Vanation (Sonderausstattung): mitt-
0.15 Entwicklungspotentialanalvse flin 1 ,r 255
zeit): hohe Umsatzkl^e ^ Variati»»™ (Füi-lmt. Lauf-
256
D SilsirSn S d^K ^^ ^-«^ «-¦¦^..nisse O.,er vier
nrngsmengen K«»^ Ht.onen d.-r Lern-. Test- „nd Validic
B2 ^InS^r^V m;r K1-«^^,^1,,,er-
dienmgs„,enge„ Konstellationen der Lern-. Test- und Vali-
rungsmengen . re Koll-stell^.onen ,1er Lern-. Test- und Validie-
B 4 ^Senr^^^T m
tionen mit Sto, -Tiainine/vn ;alullCTU g«mengen für lrei Fitneßfunk-
stellationen der Lern TZ v .afMhkatl »s « l is.se über drei Ko.i-
tionen mit Stop-Train in,r/v ;alldlpl» K« engen für drei Fitneßfunk-
B.O GA-LVQ GrofctlclJ e/V°fg !l)e»CT Lernselnittanzahl 299
.stellationen der Lern- Teüt , i v !a-Tifikations -gebnisse über drei Kon-
tionen mit Stop-Trai„i„Wv ,rT ;all he™nesm™ R n für drei Fitneßfunk-
B.7 GA-PNN^KleLtX - rerLemSdlriUanzal11 300
stellationen der Lern- Tes uZvK ^sifikatiw^8ebni.s.se über drei Kon¬
tionen mit/ohne er-Variation VallrtIerunSs nengen für drei Fitneßfunk-
301
Tabelleiiverzeiehuis xxvii
D.8 GA-PNN Mittelstädte mittlere Klassih kationsergebnisse über drei
Konstellationen der Lern-. Test- und Validierungsinengen für drei Fitneß-
funktionen niit/oline a-Variation 302
D.9 GA-PNN Großstädte mittlere Klassifikationsergebnisse über drei Kon¬
stellationen der Lern-. Test- und Validieniiigsiiiengen für drei Fitneßfimk-
tionen mit/ohne o-Variation 303
|
| any_adam_object | 1 |
| author | Stahlbock, Robert 1967- |
| author_GND | (DE-588)124295673 |
| author_facet | Stahlbock, Robert 1967- |
| author_role | aut |
| author_sort | Stahlbock, Robert 1967- |
| author_variant | r s rs |
| building | Verbundindex |
| bvnumber | BV019263758 |
| classification_rvk | QH 700 |
| ctrlnum | (OCoLC)314214621 (DE-599)BVBBV019263758 |
| discipline | Wirtschaftswissenschaften |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02699nam a2200613 c 4500</leader><controlfield tag="001">BV019263758</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">00000000000000.0</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">040422s2002 xx d||| m||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3936749507</subfield><subfield code="9">3-936749-50-7</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)314214621</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV019263758</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-N2</subfield><subfield code="a">DE-188</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 700</subfield><subfield code="0">(DE-625)141608:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Stahlbock, Robert</subfield><subfield code="d">1967-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)124295673</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme</subfield><subfield code="c">Robert Stahlbock</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">Verl. für Wiss. und Kultur (WiKu-Verl.)</subfield><subfield code="c">2002</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XLIII, 334 S.</subfield><subfield code="b">graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="a">Zugl.: Hamburg, Univ., Diss., 2002</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Entscheidungsmodell</subfield><subfield code="0">(DE-588)4121201-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Klassifikation</subfield><subfield code="0">(DE-588)4030958-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Evolutionärer Algorithmus</subfield><subfield code="0">(DE-588)4366912-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Einzelhandelsfiliale</subfield><subfield code="0">(DE-588)4151450-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Standortplanung</subfield><subfield code="0">(DE-588)4077832-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prognose</subfield><subfield code="0">(DE-588)4047390-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Umsatz</subfield><subfield code="0">(DE-588)4186786-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Einzelhandelsfiliale</subfield><subfield code="0">(DE-588)4151450-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Standortplanung</subfield><subfield code="0">(DE-588)4077832-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Evolutionärer Algorithmus</subfield><subfield code="0">(DE-588)4366912-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Einzelhandelsfiliale</subfield><subfield code="0">(DE-588)4151450-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Standortplanung</subfield><subfield code="0">(DE-588)4077832-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Umsatz</subfield><subfield code="0">(DE-588)4186786-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Prognose</subfield><subfield code="0">(DE-588)4047390-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Klassifikation</subfield><subfield code="0">(DE-588)4030958-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-188</subfield></datafield><datafield tag="689" ind1="2" ind2="0"><subfield code="a">Entscheidungsmodell</subfield><subfield code="0">(DE-588)4121201-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="1"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2="2"><subfield code="a">Evolutionärer Algorithmus</subfield><subfield code="0">(DE-588)4366912-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="2" ind2=" "><subfield code="5">DE-188</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">HBZ Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=012030235&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-012030235</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV019263758 |
| illustrated | Illustrated |
| indexdate | 2024-12-20T11:43:57Z |
| institution | BVB |
| isbn | 3936749507 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-012030235 |
| oclc_num | 314214621 |
| open_access_boolean | |
| owner | DE-N2 DE-188 |
| owner_facet | DE-N2 DE-188 |
| physical | XLIII, 334 S. graph. Darst. |
| publishDate | 2002 |
| publishDateSearch | 2002 |
| publishDateSort | 2002 |
| publisher | Verl. für Wiss. und Kultur (WiKu-Verl.) |
| record_format | marc |
| spellingShingle | Stahlbock, Robert 1967- Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme Entscheidungsmodell (DE-588)4121201-0 gnd Klassifikation (DE-588)4030958-7 gnd Neuronales Netz (DE-588)4226127-2 gnd Cluster-Analyse (DE-588)4070044-6 gnd Evolutionärer Algorithmus (DE-588)4366912-8 gnd Einzelhandelsfiliale (DE-588)4151450-6 gnd Standortplanung (DE-588)4077832-0 gnd Prognose (DE-588)4047390-9 gnd Umsatz (DE-588)4186786-5 gnd |
| subject_GND | (DE-588)4121201-0 (DE-588)4030958-7 (DE-588)4226127-2 (DE-588)4070044-6 (DE-588)4366912-8 (DE-588)4151450-6 (DE-588)4077832-0 (DE-588)4047390-9 (DE-588)4186786-5 (DE-588)4113937-9 |
| title | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme |
| title_auth | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme |
| title_exact_search | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme |
| title_full | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme Robert Stahlbock |
| title_fullStr | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme Robert Stahlbock |
| title_full_unstemmed | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme Robert Stahlbock |
| title_short | Evolutionäre Entwicklung künstlicher neuronaler Netze zur Lösung betriebswirtschaftlicher Klassifikationsprobleme |
| title_sort | evolutionare entwicklung kunstlicher neuronaler netze zur losung betriebswirtschaftlicher klassifikationsprobleme |
| topic | Entscheidungsmodell (DE-588)4121201-0 gnd Klassifikation (DE-588)4030958-7 gnd Neuronales Netz (DE-588)4226127-2 gnd Cluster-Analyse (DE-588)4070044-6 gnd Evolutionärer Algorithmus (DE-588)4366912-8 gnd Einzelhandelsfiliale (DE-588)4151450-6 gnd Standortplanung (DE-588)4077832-0 gnd Prognose (DE-588)4047390-9 gnd Umsatz (DE-588)4186786-5 gnd |
| topic_facet | Entscheidungsmodell Klassifikation Neuronales Netz Cluster-Analyse Evolutionärer Algorithmus Einzelhandelsfiliale Standortplanung Prognose Umsatz Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=012030235&sequence=000002&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT stahlbockrobert evolutionareentwicklungkunstlicherneuronalernetzezurlosungbetriebswirtschaftlicherklassifikationsprobleme |