Heuristiken
Heuristiken
Heuristiken
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Eingabe-,<br />
AktivierungsundAusgabefunktion.<br />
7.3 Lernverfahren<br />
Ein Neuron besitzt drei Teilfunktionen:<br />
Erstens werden die eingehenden Reize in der Eingabe- bzw. Propagierungsfunktion<br />
verarbeitet. In den meisten Fällen werden die gewichteten eingehenden Reize<br />
aufsummiert; es sind jedoch auch andere Propagierungsfunktionen möglich.<br />
Dann wird aus dem so berechneten Eingabewert der Aktivierungszustand des<br />
Neurons mit Hilfe der Aktivierungsfunktion berechnet. Aus der Aktivierung<br />
wird über die Ausgabefunktion die Ausgabe des Neurons berechnet.<br />
Lernverfahren Lernverfahren dienen zur Bestimmung der Gewichte auf den Verbindungen<br />
des neuronalen Netzes. Während des Lernprozesses werden diese iterativ<br />
adaptiert. Beim überwachten Lernen benötigt man Eingabevektoren mit<br />
bekannten Ausgaben, die als Muster bezeichnet werden. Das am häufigsten<br />
eingesetzte Verfahren des überwachten Lernens ist der Backpropagation-<br />
Algorithmus.<br />
Teilt man dem Netz während der Trainingsphase mit, ob seine Ausgabe richtig<br />
oder falsch war, nicht jedoch die erwünschte Ausgabe, so wird dies als<br />
bestärkendes Lernen bezeichnet.<br />
Beim unüberwachten Lernen organisiert sich das neuronale Netz selbständig,<br />
in dem beispielsweise statistische Eigenschaften der Eingabemuster extrahiert<br />
werden um ähnliche Eingabemuster zu clustern (z.B. bei Self Organizing Maps).<br />
Diese Lernverfahren bedienen sich verschiedener Lernalgorithmen, wie der Hebb-<br />
Regel, der Delta-Regel oder der verallgeminerten Delta-Regel. Nähere Erläuterungen<br />
zu diesen Lernalgorithmen finden Sie hier.<br />
7.3.1 Nebenpfad: Aktivierungsfunktion<br />
Aktivierungsfunktion Entscheidend für die Anwendung neuronaler Netze ist die Form der Aktivierungsfunktion.<br />
Der Aktivierungszustand eines Neurons zum Zeitpunkt t+1 ist<br />
durch die Aktivierungsfunktion f¡sub¿act¡/sub¿ in Abhängigkeit vom Aktivierungszustand<br />
im Zeitpunkt t, von der Eingabe net¡sub¿j¡/sub¿(t) in ein Neuron j<br />
zum Zeitpunkt t und von einem Neuron-spezifischen Schwellwert θj bestimmt:<br />
aj(t + 1) = fact(aj(t) + netj(t), θj)<br />
37