Professur   Startseite / Aktuelles Mitarbeiter Stellenangebote Studien- und Diplomarbeiten    Lehre  Überblick Grundlagen der Elektrotechnik Elektrische und magnetische Felder Mathematische Ergänzung zu EMF Dynamische Netzwerke Praktikum Elektrotechnik 1 Praktikum Elektrotechnik 2 Schaltungssimulation und -modellierung Zellulare Neuronale Netzwerke Chaos - Nichtlineare Systeme    Forschung    Forschungsgebiete Veröffentlichungen    Internes      Wiki Termine Gruppenseminar     Vorlesung Zellulare Neuronale Netzwerke Aktuelles Stundenplanung Prüfung Literatur   Vorlesender Dr.-Ing. Alon Ascoli   Motivation CNN bestehen aus miteinander gekoppelten Zellen, die nur mit Zellen ihrer nächsten Nachbarschaft in Wechselwirkung treten. Durch die dynamische Eigenschaft der einzelnen Zelle, der Art der Kopplung und der Einbindung von externen Signalen, entsteht ein komplexes Verhalten mit nützlichen Eigenschaften. Das Zellulare Neuronale Netzwerk stellt damit ein eigenständiges Paradigma der Informationsverarbeitung dar CNN-basierte Prozessoren haben aufgrund der Parallelisierung eine enorm hohe Rechenleistung und sind als Chips für Spezialanwendungen in der Informationsverarbeitung hervorragend geeignet.   Allgemeine Informationen Ziel ist die Einführung in die Zellularen Neuronalen Netzwerke (CNN), ihre Grundlagen, Eigenschaften und Anwendungen Die Vorlesung richtet sich an Studierende im Hauptstudium der Elektrotechnik, Informationssystemtechnik, Mechatronik und Informatik Weitere Informationen zur Lehrveranstaltung finden Sie hinter oben stehenden Links   Inhalt und Skript der Lehrveranstaltung Das Skript (die Folien) der Lehrveranstaltung Dateien zum Matlab - CNN-Simulator 1.  Einleitung und Motivation 2.  CNN - grundlegende Definitionen 3.  Einfache nicht.gekoppelte CNN I - Beispiele 4.  Einfache nicht.gekoppelte CNN II - Theorie 5.  Simulation der CNN-Dynamik 6.  Ortsunabhängige CNNs und Boolsche Funktionen I 7.  Ortsunabhängige CNNs und Boolsche Funktionen II 8.  Die CNN Universalmaschine 9.  Gekoppelte CNN mit linearen synaptischen Gewichten 10.  CNN Template Design 11.  Autonome CNN I - Musterbildung 12.  Autonome CNN I - Simulation von Partiellen Differentialgleichungen 13.  CNN-Anwendung in der biometrischen Authetifikation 14.  Ausblick

©  TU-Dresden / Lehrstuhl für Grundlagen der Elektrotechnik