DC FieldValueLanguage
dc.contributor.advisorGrill, Karl-
dc.contributor.authorIon, Radu-
dc.date.accessioned2020-06-30T07:14:48Z-
dc.date.issued2008-
dc.date.submitted2008-11-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-21860-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/11155-
dc.descriptionAbweichender Titel laut Übersetzung der Verfasserin/des Verfassers-
dc.description.abstractGenetische Algorithmen versuchen, Prinzipien der Evolution (Mutation, Rekombination und Selektion) in Computerprogrammen nachzubilden. Dazu gibt es verschiedene Ansätze, deren Vor- und Nachteile kurz besprochen werden.<br />Eines der Wunderwerke ist das menschliche Gehirn. Obwohl die Neuronen, aus denen es besteht, relativ einfach aufgebaut sind, ist das Gehirn zu Leistungen fähig, die einem Computer nur schwer einprogrammiert werden können, wie etwa Sprach- oder Gesichtserkennung. Neuronale Netze sollen den Lernvorgang, der im Gehirn stattfindet, nachbilden, um ähnliche Fähigkeiten zu erlangen. Auch hierfür werden einige Modelle vorgestellt.<br />In der Natur arbeiten diese beiden Konzepte hervorragend zusammen. Daher liegt es nahe, die Bestandteile und Parameter von neuronalen Netzen durch genetische Algorithmen optimieren zu lassen. Leider treten dabei Schwierigkeiten auf, wie lange Laufzeiten oder mangelnde genetische Vielfalt. Es werden einige Lösungsvorschläge für diese Probleme erläutert.<br />Eine mögliche Anwendung für genetische Algorithmen und neuronale Netze ist die Zeitreihenanalyse. Dafür gibt es zwar auch statistische Verfahren wie die lineare und nichtlineare Regression. Diesen ist aber jeweils ein bestimmtes Modell zugrunde gelegt, von dem man nicht weiß, ob es die Zeitreihe adäquat beschreibt. Mithilfe eines Programms von der Hochschule für Technik und Wirtschaft Dresden kann man Zeitreihen auch durch genetische Algorithmen und neuronale Netze analysieren lassen. Als Beispiel wurden die Tagesschlusskurse der Aktie der Deutschen Bank verwendet. Im Rahmen mehrerer Tests mit diesem Programm zeigt sich, dass nicht nur zu kleine, sondern auch zu große neuronale Netze sich negativ auswirken können. Schließlich wird jedoch ein neuronales Netz gefunden, das die Änderung der Aktienkurse hervorragend prognostiziert und damit die Leistungsfähigkeit von genetischen Algorithmen und neuronalen Netzen eindrucksvoll unter Beweis stellt.<br />de
dc.format82 Bl.-
dc.languageDeutsch-
dc.language.isode-
dc.subjectGenetische Algorithmen /Neuronale Netzede
dc.titleGenetische Algorithmen und Neuronale Netzede
dc.title.alternativeGenetic algorithms and neural networksen
dc.typeThesisen
dc.typeHochschulschriftde
tuw.publication.orgunitE105 - Institut für Statistik und Wahrscheinlichkeitstherorie-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC05038889-
dc.description.numberOfPages82-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-21860-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.languageiso639-1de-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.fulltextwith Fulltext-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
Appears in Collections:Thesis

Files in this item:

Show simple item record

Page view(s)

1
checked on Mar 27, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.