Der Band wendet sich an Leser, die ein tiefgehendes Verständnis für die Klassifikation sowohl mit neuronalen Netzwerken als auch mit herkömmlichen Klassifikationen erwerben wollen und die Wert legen auf eine reale und sachlich fundierte Einschätzung hinsichtlich der Leistungsfähigkeit von Mustererkennungssystemen. Dabei geht es besonders darum, die oft einseitigen und zum Teil übertriebenen Aussagen zur Leistungsfähigkeit von neuronalen Netzwerken - z.B. "menschlichen Gehirn ähnlich" oder "den Menschen ersetzen" zu entkräften und statt dessen die Entstehungsgeschichte der neuronalen Netzwerke und deren eng verknüpfte Theorie zu den bisher verwendeten Polynomklassifikatoren in fundierter Weise aufzuzeigen. In sehr anschaulicher Weise wird das zeitliche Lernverhalten aller Lernverfahren und deren Konvergenzfähigkeit in Abhängigkeit von der Startbelegung für die Netzwerkgewichte, der Merkmalsnormierungen und der Wahl der Lernparameter dargestellt und interpretiert. Grundlage für alle in diesem Band gemachten Aussagen sind Untersuchungen anhand realer Klassifikationsprobleme aus praktischen industriellen Einsatzgebieten in der Medizintechnik und der Verkehrstechnik für unterschiedliche Sensorik aus dem Infrarot-, Radar-, Radiometer- und sichtbaren Wellenlängenbereich. Inhalt: - Neuronale Netze - Lernverfahren - Die Hessenberg-Matrix für das dreilagige Backpropagation-Netzwerk - Vergleich der Optimierungsverfahren - Datenbasis und Untersuchungen - Merkmalnominierung - Lernparameter und deren Einfluss auf die Konvergenzgeschwindigkeit