Konfigurieren und Trainieren von mehrschichtigen Perzeptron-Netzen

In dem Beitrag werden die Klassifikationsleistung und die Lernfähigkeit bei einfachen Netzwerkmodellen, den mehrschichtigen Perzeptron-Netzen mit dem Backpropagation-Algorithmus als Lernverfahren, betrachtet. Es wird untersucht, wie sich Modifikationen der Eingangsdaten, des Lernverfahrens und der Netztopologie auf das Konvergenzverhalten beim Einlernen und auf die erreichte Fehlerrate auswirken. Vergleiche zu einem Nächsten-Nachbar-Klassifikator bezüglich Klassifikationsleistung und Rechenaufwand werden durchgeführt. Den praktischen Hintergrund bilden Applikationen aus dem Bereich der automatischen Sichtprüfung, speziell die Klassifikation von Oberflächendefekten.