@phdthesis{Grotrian2024, author = {Grotrian, Jens}, title = {Empirische Logik : ein bionisch inspirierter Ansatz zur Entscheidungsfindung mit Erfahrungswissen in Wirtschaft und Technik}, doi = {10.26127/BTUOpen-6974}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-69749}, school = {BTU Cottbus - Senftenberg}, year = {2024}, abstract = {Empirische Logik ist eine neuartige „Soft Computing"-Methode, welche auf einem bionisch inspirierten Ansatz beruht. Das biologische Vorbild ist {\"a}hnlich wie beim maschinellen Lernen mit Hilfe von „k{\"u}nstlichen neuronalen Netzen" die Nervenstruktur des Gehirns. Anders als beim maschinellen Lernen spielt f{\"u}r die Empirische Logik die Lernf{\"a}higkeit der neuronalen Netze durch strukturelle Anpassungen der Verbindungen zwischen den Nervenzellen keine Rolle. Es wird vielmehr ausgenutzt, dass der {\"u}ber die Sinnesorgane empfangene Input das zerebrale Nervensystem dazu veranlasst, nach einer dynamischen Einschwingphase in einen energetisch g{\"u}nstigen Gleichgewichtszustand {\"u}berzugehen, wobei die dann eingenommene Verteilung von angeregten Gehirnregionen den Output dieser neuronalen {\"U}bertragungsfunktion repr{\"a}sentiert, den man als kognitive Sinneswahrnehmung bezeichnet. Es waren in den 80iger Jahren die Neurowissenschaftler David Tank und John Hopfield, die mit Hilfe von zu k{\"u}nstlichen neuronalen Netzen zusammengeschalteten elektronischen Operationsverst{\"a}rkern gezeigt haben, dass man diesen Effekt auch dazu verwenden kann, komplexe Optimierungsprobleme zu l{\"o}sen. Die Empirische Logik ist eine formale rechnergest{\"u}tzte Sprache, die es erm{\"o}glicht, anhand von Regeln formuliertes Erfahrungswissen in einer einem biologischen neuronalen Netz nachgebildeten Programmstruktur zu hinterlegen und den von Tank und Hopfield beobachteten Effekt f{\"u}r die L{\"o}sung komplexer Probleme zu nutzen. Funktionstechnisch unterscheiden sich die so konstruierten k{\"u}nstlichen neuronalen Netze von den f{\"u}r das maschinelle Lernen verwendeten Netze in einer wesentlichen Eigenschaft: In den lernf{\"a}higen k{\"u}nstlichen neuronalen Netzen werden die Neuronen als Berechnungseinheiten aufgefasst, welche Eingangssignale, die {\"u}ber Dendrite empfangen werden, in ein Ausgangssignal umwandeln, das {\"u}ber ein Axon weitergegeben wird. In den nicht lernf{\"a}higen k{\"u}nstlichen neuronalen Netzen der Empirischen Logik sind die Neuronen passive Informationsspeicher, die eingangsseitig als Indizien und ausgangsseitig als Hypothesen bezeichnet werden. Berechnungseinheiten sind dagegen die Synapsen, welche Signale, die {\"u}ber Axone empfangen werden, in Ausgangssignale umwandeln, die {\"u}ber Dendrite weitergegeben werden. Entsprechend den beiden Erscheinungsformen von stimulierenden und inhibitorischen Synapsen gibt es zwei Typen von Berechnungseinheiten, die in der Empirischen Logik Validierungs- und Invalidierungsoperatoren heißen. Im Gegensatz zu lernf{\"a}higen k{\"u}nstlichen neuronalen Netzen, welche Wissensinhalte nur impliziert in einer „Black Box" speichern, sind mit Empirischer Logik entwickelte Anwendungen f{\"u}r den Benutzer transparent und in ihrer Funktionalit{\"a}t {\"u}berpr{\"u}fbar.}, subject = {Empirische Logik; Soft Computing; C- und D-Normen; Bio-Inspired Computing; Computer-Aided Decision-Making; Soft Computing; Neuronales Netz; Optimierungsproblem; Computerunterst{\"u}tztes Verfahren}, language = {de} }