Neuronale Netze - D. Kriesel
Neuronale Netze - D. Kriesel
Neuronale Netze - D. Kriesel
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Ist wi,j positiv, versucht es die beiden Neurone zur Gleichheit zu zwingen, je größer<br />
wi,j, desto stärker ist der Zwang. Wenn das Neuron i den Zustand 1 hat, das<br />
Neuron j aber den Zustand −1, vermittelt ein hohes positives Gewicht den beiden<br />
Neuronen, dass es energetisch günstiger ist, wenn sie gleich sind.<br />
Ist wi,j negativ, verhält es sich analog, nur werden hier i und j zur Unterschiedlichkeit<br />
gedrängt. Ein Neuron i mit Zustand −1 würde versuchen, ein Neuron j in den<br />
Zustand 1 zu drängen.<br />
Null-Gewichte sorgen dafür, dass sich die beiden beteiligten Neurone nicht beeinflussen.<br />
Die Gesamtheit der Gewichte beschreibt also offensichtlich den Weg zum nächsten<br />
Minimum der Energiefunktion vom aktuellen Netzzustand aus – wir wollen nun untersuchen,<br />
auf welche Weise die Neurone diesen Weg einschlagen.<br />
8.2.3 Ein Neuron wechselt den Zustand anhand des Einflusses der<br />
anderen Neurone<br />
Die Funktionsweise des einmal trainierten und mit einem Anfangszustand initialisierten<br />
<strong>Netze</strong>s liegt darin, die Zustände xk der einzelnen Neurone k nach dem Schema<br />
⎛<br />
xk(t) = fact ⎝ <br />
⎞<br />
wj,k · xj(t − 1) ⎠ (8.1)<br />
j∈K<br />
mit jedem Zeitschritt zu ändern, wobei die Funktion fact in aller Regel die binäre<br />
Schwellenwert-Funktion (Abb. 8.2 auf der rechten Seite) mit Schwellenwert 0 ist. Umgangssprachlich:<br />
Ein Neuron k berechnet die Summe der wj,k · xj(t − 1), die angibt,<br />
wie stark und in welche Richtung das Neuron k von den anderen Neuronen j gedrängt<br />
wird. Der neue Zustand des <strong>Netze</strong>s (Zeitpunkt t) ergibt sich also aus dem Netzzustand<br />
zum vorherigen Zeitpunkt t − 1. Die Summe ergibt dann die Gesamtrichtung, in die<br />
das Neuron k gedrängt wird. Je nach Vorzeichen der Summe nimmt das Neuron den<br />
Zustand 1 oder −1 an.<br />
Ein weiterer Unterschied der Hopfieldnetze zu anderen Netztopologien, welche wir<br />
bereits kennengelernt haben, ist das asynchrone Update: Es wird jedes mal ein Neuron k<br />
zufällig gewählt, welches dann die Aktivierung neu errechnet. Die neuen Aktivierungen<br />
der jeweils vorher geänderten Neurone nehmen also direkt Einfluss, ein Zeitschritt<br />
bezeichnet also die Änderung eines einzigen Neurons.<br />
Ungeachtet der hier beschriebenen zufälligen Wahl des Neurons findet die Implementierung<br />
eines Hopfieldnetzes oft einfacher statt: die Neurone werden einfach nacheinander