Neuronale Netze - D. Kriesel
Neuronale Netze - D. Kriesel
Neuronale Netze - D. Kriesel
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
i1<br />
✡ ✡✡✡✡✡✡✡✡✡✡✡✡✡<br />
<br />
<br />
<br />
<br />
<br />
<br />
✹❋❖<br />
❙<br />
✹❋❖<br />
❙<br />
<br />
❋❖<br />
❙ i2<br />
✹ ❋❖<br />
❙<br />
✹ ❋<br />
❖❙<br />
❖❙<br />
✹<br />
❋ ❖❙<br />
❋ ❖<br />
❙<br />
✹ ❋<br />
❖<br />
❙❙<br />
❖ ❙<br />
✹ ❋ ❖<br />
❙<br />
✹<br />
❋ ❖<br />
❙<br />
❋<br />
❖<br />
❙❙<br />
✹ ❋<br />
❖ ❙<br />
❖<br />
❙<br />
✹<br />
❋ ❖<br />
❙❙<br />
❋<br />
❖ ❙<br />
✹ ❋<br />
❖ ❙<br />
❖<br />
❙<br />
✹ ❋ ❖<br />
❙❙<br />
✹<br />
❋ ❖ ❙<br />
❋<br />
❖ ❙<br />
❖<br />
❙<br />
✹ ❋ ❖<br />
❙❙<br />
❋ ❖ ❙<br />
❋<br />
❖<br />
❙<br />
❖<br />
❙❙<br />
❖ ❙<br />
❖ ❙<br />
①<br />
❙❙❙<br />
①①①①①①①①①①①①①①①①①①①① ✡<br />
✡✡✡✡✡✡✡✡✡✡✡✡✡ <br />
<br />
<br />
<br />
<br />
✹❋❖<br />
<br />
✹❋❖<br />
i3<br />
❋❖<br />
✹ ❋❖<br />
✹ ❋<br />
❖❖<br />
✹<br />
❋ ❖<br />
❋ ❖<br />
✹ ❋<br />
❖❖<br />
✹ ❋ ❖<br />
✹<br />
❋ ❖<br />
❋<br />
❖<br />
✹ ❋<br />
❖❖<br />
✹<br />
❋ ❖<br />
❋<br />
❖<br />
✹ ❋<br />
❖❖<br />
✹ ❋ ❖<br />
✹<br />
❋ ❖<br />
❋<br />
❖❖<br />
✹ ❋ ❖<br />
❋ ❖<br />
❋<br />
❖❖❖<br />
♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦<br />
① ❖<br />
①①①①①①①①①①①①①①①①①①①① ✡<br />
✡✡✡✡✡✡✡✡✡✡✡✡✡ <br />
<br />
<br />
<br />
<br />
✹❋<br />
i4<br />
✹❋❋<br />
✹ ❋<br />
✹ ❋<br />
✹<br />
❋❋<br />
✹ ❋<br />
✹ ❋<br />
✹<br />
❋❋<br />
✹ ❋<br />
✹<br />
❋❋<br />
✹ ❋<br />
✹ ❋<br />
✹<br />
❋❋<br />
✹ ❋❋❋<br />
❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦❦<br />
♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦♦<br />
①①①①①①①①①①①①①①①①①①①①① ✡<br />
✡✡✡✡✡✡✡✡✡✡✡✡✡<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
✡ ①①<br />
♦♦<br />
❦<br />
✹❋❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖ ❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙❙<br />
✹<br />
✡ ① ♦<br />
❦<br />
✹<br />
✡ ①<br />
✡ ♦♦<br />
①①<br />
❦❦❦♦♦<br />
✹✹✹✹✹✹✹✹✹✹✹✹✹ ❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋ ✹❋❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖❖ ✹<br />
✡ ①①<br />
♦♦<br />
❦❦<br />
✡<br />
✡<br />
✹<br />
✡ ① ♦♦<br />
①①<br />
✡<br />
❦<br />
♦♦<br />
①<br />
✹✹✹✹✹✹✹✹✹✹✹✹✹ ❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋ ✹❋ ❦❦<br />
✹<br />
✡ ①<br />
✡<br />
① ✡ ✹✹✹✹✹✹✹✹✹✹✹✹✹ ❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋❋<br />
♦ ①<br />
♦ ① ❦<br />
✹<br />
✡ ①①<br />
♦♦<br />
❦❦❦✡<br />
✡ ①<br />
♦♦♦<br />
①①<br />
✡ ✹<br />
✹<br />
✡ ① ♦♦<br />
❦❦<br />
✹<br />
✡ ①①<br />
♦♦✡<br />
✡ ①<br />
✡ ♦ ① ✡ ✹✹✹✹✹✹✹✹✹✹✹✹✹<br />
♦ ① ✡<br />
❦❦①<br />
❦ ✡<br />
✹<br />
✡ ① ♦♦<br />
✡ ❦❦①<br />
♦♦<br />
①<br />
✹<br />
✡ ① ♦ ❦❦<br />
① ♦♦<br />
✹<br />
✡ ①①<br />
♦♦♦<br />
❦✡<br />
❦❦<br />
①①<br />
♦♦✡<br />
✡ ①①<br />
✡<br />
✡<br />
✹<br />
✡ ① ♦ ❦❦<br />
✹<br />
✡ ①①<br />
♦♦♦<br />
❦❦❦<br />
✡<br />
✡ ①①<br />
♦♦♦<br />
✡ ①①<br />
❦<br />
✹<br />
①♦<br />
♦♦❦❦❦<br />
✡ ①①<br />
♦♦♦<br />
✡<br />
✡ ①①<br />
✡<br />
✡<br />
①<br />
❦❦❦<br />
✡<br />
✡ ①①<br />
♦♦<br />
✡ ①<br />
✡<br />
✡<br />
①①<br />
♦♦♦<br />
✡<br />
✡ ①①<br />
✡<br />
✡<br />
①<br />
♦♦<br />
✡ ①①<br />
✡<br />
✡<br />
① ✡<br />
Ω1<br />
Ω2<br />
Ω3<br />
Ω4<br />
Ω5<br />
Ω6<br />
<br />
<br />
<br />
Abbildung 11.1: Vereinfachte Darstellung des Aufbaus eines ART-<strong>Netze</strong>s. Oben die Eingabeschicht,<br />
unten die Erkennungsschicht. Für die Abbildung außer Acht gelassen worden sind die<br />
laterale Inhibition der Erkennungsschicht und die Steuerungsneurone.<br />
W an, die die Gewichtswerte von jedem Neuron der Eingabeschicht zu jedem Neuron<br />
der Erkennungsschicht enthält (Abb. 11.1).<br />
An der Eingabeschicht werden einfach binäre Muster eingegeben, welche an die Erkennungsschicht<br />
weitergegeben werden – während die Erkennungsschicht eine 1-aus-<br />
|O|-Kodierung ausgeben soll, also dem Winner-Takes-All-Schema folgen soll. Um diese<br />
1-aus-|O|-Kodierung zu realisieren, kann man beispielsweise das Prinzip der lateralen<br />
Inhibition nutzen – oder in der Implementierung pragmatischerweise per IF-Abfrage<br />
das am stärksten aktivierte Neuron suchen.<br />
11.1.1 Resonanz erfolgt, indem Aktivitäten hin- und hergeworfen werden<br />
Zusätzlich gibt es aber noch eine Bottom-Up-Gewichtsmatrix V , die die Aktivitäten<br />
in der Erkennungsschicht wieder in die Eingabeschicht propagiert. Es ist nun<br />
offensichtlich, dass diese Aktivitäten immer hin- und hergeworfen werden, was den Begriff<br />
der Resonanz ins Spiel bringt. Jede Aktivität der Eingabeschicht bewirkt eine<br />
Aktivität der Erkennungsschicht, während dort jede Aktivität wiederum eine Aktivität<br />
in der Eingabeschicht bewirkt.