Authors:	Hillebrand, Thomas
Title:	Lernen mit einer Hybride aus Lernendem Klassifizierendem System und Selbstorganisierender Karte
Online publication date:	10-Sep-2010
Year of first publication:	2010
Language:	german
Abstract:	Im Forschungsgebiet der Künstlichen Intelligenz, insbesondere im Bereich des maschinellen Lernens, hat sich eine ganze Reihe von Verfahren etabliert, die von biologischen Vorbildern inspiriert sind. Die prominentesten Vertreter derartiger Verfahren sind zum einen Evolutionäre Algorithmen, zum anderen Künstliche Neuronale Netze. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Systems zum maschinellen Lernen, das Charakteristika beider Paradigmen in sich vereint: Das Hybride Lernende Klassifizierende System (HCS) wird basierend auf dem reellwertig kodierten eXtended Learning Classifier System (XCS), das als Lernmechanismus einen Genetischen Algorithmus enthält, und dem Wachsenden Neuralen Gas (GNG) entwickelt. Wie das XCS evolviert auch das HCS mit Hilfe eines Genetischen Algorithmus eine Population von Klassifizierern - das sind Regeln der Form [WENN Bedingung DANN Aktion], wobei die Bedingung angibt, in welchem Bereich des Zustandsraumes eines Lernproblems ein Klassifizierer anwendbar ist. Beim XCS spezifiziert die Bedingung in der Regel einen achsenparallelen Hyperquader, was oftmals keine angemessene Unterteilung des Zustandsraumes erlaubt. Beim HCS hingegen werden die Bedingungen der Klassifizierer durch Gewichtsvektoren beschrieben, wie die Neuronen des GNG sie besitzen. Jeder Klassifizierer ist anwendbar in seiner Zelle der durch die Population des HCS induzierten Voronoizerlegung des Zustandsraumes, dieser kann also flexibler unterteilt werden als beim XCS. Die Verwendung von Gewichtsvektoren ermöglicht ferner, einen vom Neuronenadaptationsverfahren des GNG abgeleiteten Mechanismus als zweites Lernverfahren neben dem Genetischen Algorithmus einzusetzen. Während das Lernen beim XCS rein evolutionär erfolgt, also nur durch Erzeugen neuer Klassifizierer, ermöglicht dies dem HCS, bereits vorhandene Klassifizierer anzupassen und zu verbessern. Zur Evaluation des HCS werden mit diesem verschiedene Lern-Experimente durchgeführt. Die Leistungsfähigkeit des Ansatzes wird in einer Reihe von Lernproblemen aus den Bereichen der Klassifikation, der Funktionsapproximation und des Lernens von Aktionen in einer interaktiven Lernumgebung unter Beweis gestellt. In the research area of artificial intelligence and particularly for purposes of machine learning a wide range of methods inspired by biological models has been established. Most prominent among these are Evolutionary Algorithms on the one hand and Artificial Neural Networks on the other. The present thesis deals with the development of a machine learning system that combines characteristics of both paradigms: The Hybrid Learning Classifier System (HCS) is derived from the real-valued eXtended Learning Classifier System (XCS), which uses a genetic algorithm as a learning mechanism, and the Growing Neural Gas (GNG). As well as XCS, HCS makes use of a genetic algorithm to evolve a population of classifiers - these are rules of the form [IF.condition THEN action], the condition indicating in what part of a learning problem\'s state space a classifier is applicable.In case of the XCS a condition usually specifies an axis-parallel hyperrectangular subspace of a state space. In many learning problems this does not yield an appropriate partitioning of the state space. HCS, however, uses weightvectors - just like the ones of GNG\'s neurons - as classifier conditions. Thus HCS\'s population induces a Voronoi tessellation of the state space. Each classifier being applicable in its Voronoi cell, this allows for a much more flexible partitioning. Further, using weightvectors as classifier conditions allows for using a second learning method derived from GNG\'s mechanism of classifier adaptation besides the genetic algorithm. Thus HCS may adapt and improve existing classifiers while learning in XCS is purely evolutionary, relying on the creation of new and better classifiers to improve performance. To evaluate HCS, it ist tested on various learning problems. The method\'s capabilities are demonstrated in several learning experiments comprising problems from the domains of classification and function approximation as well as the learning of actions in an intercative learning environment.
DDC:	004 Informatik 004 Data processing
Institution:	Johannes Gutenberg-Universität Mainz
Department:	FB 08 Physik, Mathematik u. Informatik
Place:	Mainz
ROR:	https://ror.org/023b0x485
DOI:	http://doi.org/10.25358/openscience-968
URN:	urn:nbn:de:hebis:77-24038
Version:	Original work
Publication type:	Dissertation
License:	In Copyright
Information on rights of use:	https://rightsstatements.org/vocab/InC/1.0/
Extent:	200 S.
Appears in collections:	JGU-Publikationen