Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
RBF-Lernverfahren 2-35<br />
Initialisierung ist also eine parallele (OFF-LINE) oder sequentielle (ON-LINE)<br />
Clusteranalyse nötig. Für eine effiziente Initialisierung müssen wir nun unterscheiden,<br />
ob die Trainingsdaten bekannt oder unbekannt sind.<br />
• Bekannte Trainingsdaten<br />
In diesem Fall können wir eine grobe, statistische Vorverarbeitung der Gesamtmenge<br />
der Trainingsdaten durchführen. Dazu wird zuerst mit einem einfachen<br />
Clustersuchalgorithmus (z.B. k-mean) eine Unterteilung der Daten in<br />
Haufen (cluster) vorgenommen. Bei Klassifizierungsproblemen wird dies<br />
durch die Annnahme der Existenz von Muster-Haufen gleicher Klassenzugehörigkeit<br />
gerechtfertigt. Dann wird in wenigen Rechner-Minuten die Streuung<br />
(Eigenwerte) der Cluster bestimmt <strong>und</strong> damit die Parameter M bzw. c <strong>und</strong> C<br />
der dazu gehörenden Glockenfunktionen initialisiert.<br />
Gr<strong>und</strong>algorithmus k-mean-Clusterung<br />
Bei der k-mean-Clusterung werden Cluster aus einer Menge A von vorhandenen<br />
Daten gebildet <strong>und</strong> schrittweise verfeinert. Dabei werden folgende Schritte<br />
durchgeführt:<br />
• Wähle m zufällige Muster xk ∈A als Clusterzentren ck, bilde Cluster Ck =<br />
{ ck, }.<br />
REPEAT<br />
• Ordne alle xi ∈A zu den nächstgelegenen Clusterzentren zu: Suche cz so,<br />
dass |xi-cz| = mink |xi-ck|, <strong>und</strong> füge xi zu Cz zu.<br />
• Entferne alle Cluster mit |Ci| < 1<br />
• Bilde für jedes Cluster k ein neues Zentrum ck = 〈x〉 als Mittelwert aller<br />
Muster in Ck<br />
UNTIL Iterationszahl > Max<br />
• Unbekannte Trainingsdaten<br />
Der einfachste Ansatz einer sequentiellen Clusteranalyse besteht darin, die initiale<br />
Verteilung der Glockenfunktionen so zu wählen, dass der Raum der Eingabemuster<br />
{x} entweder systematisch in periodischen Abständen durch die<br />
Glockenfunktionen überdeckt wird. In Abb. 2.18 ist dieser Gedanke verdeutlicht.