Studienarbeit aus dem Jahr 2001 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,3, Gottfried Wilhelm Leibniz Universität Hannover (Institut für Wirtschaftsinformatik), Veranstaltung: Seminar Wirtschaftsinformatik SS 2001, Sprache: Deutsch, Abstract: Der Mensch ist in der Lage, Gegenstände und Geräusche zu erkennen und zu identifizieren, auch wenn er diese noch nie zuvor gesehen oder gehört hat. Er erkennt sie nach bestimmten Mustern, die er im Laufe seiner Entwicklung gelernt und gespeichert hat. Während der Leser diese Zeilen liest, erkennt er in Sekundenbruchteilen die Buchstaben und Wörter, auch wenn diese in verschiedenen (unbekannten) Schriftarten oder -größen dargestellt sind. Das menschliche Gehirn ist zur Mustererkennung fähig.
Da der Mensch über eine begrenzte Informationsverarbeitungskapazität verfügt, liegt die Überlegung nahe, mit elektronischen Datenverarbeitungsanlagen (Computer) Mustererkennung nach menschlichem Vorbild durchzuführen.
Wie gut erkennt jedoch ein Computer ein unvollständiges Bild oder ein akustisches Signal, das von Rauschen überdeckt ist? Während der Mensch in der Lage ist, unvollständige Bilder zu komplettieren und Störgeräusche vom eigentlichen Signal zu trennen, steigen in diesen Fällen bei Computern die Fehlerraten bei der Mustererkennung sehr stark. Um dies zu verhindern, werden immer häufiger künstliche neuronale Netze (KNN) eingesetzt. KNN sind Netzsysteme für Computer, die Daten massiv parallel verarbeiten und zudem lernfähig sind. Das bedeutet, dass sie mit jeder Mustererkennung ihr Wissen erweitern und für zukünftige Einsätze verwenden. Die Fehlerraten bei der Mustererkennung unter Einsatz künstlicher neuronaler Netze sinken erheblich.
