Theoretisches Verständnis der Fähigkeit neuronale Systeme, Modelle der Umwelt zu repräsentieren, zu erlernen und zur Verhaltensplanung zu nutzen.

神经系统是一个如何代表、学习和控制复杂环境的模型？这是一种明显的冒犯，因为人类的内部模型是错误的，而且是正确的。传统上，模型自由钢筋Lernen verneint jedoch Modelle，während模型为基础的钢筋Lernen，das echte Planung ermöglicht，bisher kaum in einen konnektionistisch transsiblen Rahmen eingebettet wurde。Im Projekt soll ein Modell eines neuronalen Systems erarbeitet韦尔登，das Wissen um die perzeptuellen Konsequenzen von Aktionen erlernt，so ein“Weltmodell”neuronal repräsentiert und zielgerichtete Handlungsplanung realisiert.该系统将直接用于连续传感器和电机信号，并仅基于本地机械。Ein besonderes Augenmerk liegt auf der Selbst-Organisation der neuronalen Repräsentation von“Zuständen”，ahnlich den Selbst-Organisierenden Karten，jedoch gleichermaßen an Aktionen gekoppelt. Ziel是一个自我组织，在一个世界知识模型中代表着神经元。该方法以神经元信息处理理论和机器学习理论为基础，以Maxkov-Entscheidungs-Prozessen模型为基础，以动态神经元系统为基础。

Wie können neuronale Systeme ein Modell der Umwelt repräsentieren, erlernen und damit komplexe Handlungsabfolgen planen und steuern? Es scheint offensichtlich, dass der Mensch interne Modelle seiner Umwelt erlernt und zur Verhaltensplanung nutzt. Konventionelles, modell-freies Reinforcement Lernen verneint jedoch solche Modelle, während modell-basiertes Reinforcement Lernen, das echte Planung ermöglicht, bisher kaum in einen konnektionistisch plausiblen Rahmen eingebettet wurde. Im Projekt soll ein Modell eines neuronalen Systems erarbeitet werden, das Wissen um die perzeptuellen Konsequenzen von Aktionen erlernt, so ein "Weltmodell" neuronal repräsentiert und zielgerichtete Handlungsplanung realisiert. Das System wird direkt an kontinuierliche Sensor- und Motorsignale koppeln und nur auf lokalen Mechanismen basieren. Ein besonderes Augenmerk liegt auf der Selbst-Organisation der neuronalen Repräsentation von "Zuständen", ähnlich den Selbst-Organisierenden Karten, jedoch gleichermaßen an Aktionen gekoppelt. Das Ziel ist hier die Selbst-Organisation verhaltensbasierter neuronaler Repräsentationen in einem konnektionistischen Weltmodell. Die Methodik basiert einerseits auf der Theorie neuronaler Informationsverarbeitung und des Maschinellen Lernens, insbesondere der Modellierung von Maxkov-Entscheidungs-Prozessen, andererseits auf dynamischen neuronalen Systemen.