30.10.2013 Aufrufe

.RUWLNDOH /LQJXLVWLN - cortical linguistics

.RUWLNDOH /LQJXLVWLN - cortical linguistics

.RUWLNDOH /LQJXLVWLN - cortical linguistics

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

38 Kochendörfer, Kortikale Linguistik, Teil 2<br />

dann im ungünstigsten Fall ein serielles Durchsuchen der Daten des Adressraums<br />

bedeuten.<br />

Die Verwendung von Regeln setzt voraus, dass Variablen definiert werden<br />

können, was in einem adressierten System eine selbstverständliche Funktion<br />

ist.<br />

Daten können von einem Speicherort auf einen anderen übertragen werden,<br />

ohne dass sie sich dabei ändern.<br />

Es können problemlos inhaltliche Hierarchien gebildet werden. Das soll hier<br />

heißen: Adressierbare Komponenten können komplexe Einheiten bilden, die<br />

als Einheiten ihrerseits adressierbar sind.<br />

Die Unterscheidung von aktuellen und potenziellen Repräsentationen ist wesentlicher<br />

Bestandteil. Aktuell sind adressierte Inhalte. Inhalte verschwinden<br />

nicht (notwendig), wenn sie nicht adressiert sind. Wie oben angedeutet,<br />

ist es nicht der Speicherplatz, der als potenzielle Repräsentation verstanden<br />

werden kann.<br />

2.2.3 Konnektionismus<br />

Es ist, wie bei den symbolverarbeitenden Modellen auch, ein Blick auf die<br />

zugrunde liegenden Hardware“-Annahmen erforderlich.<br />

”<br />

Konnektionistische Modelle arbeiten mit Netzen von Einheiten ( units“), ”<br />

die natürlichen Neuronen nachempfunden sind (daher künstliche neuronale<br />

”<br />

Netze“). Eine einzelne Einheit bzw. ein einzelnes künstliches Neuron“ hat,<br />

”<br />

wie das natürliche Vorbild, mehr oder weniger viele Eingangsstrukturen<br />

(die den Synapsen natürlicher Neuronen entsprechen) und nur einen ggf.<br />

verzweigten Ausgang (dem Axon eines natürlichen Neurons entsprechend).<br />

Die Eingänge haben unterschiedliche Effektivitäten, die durch Lernprozesse<br />

verändert werden können.<br />

Hier endet nun allerdings die Analogie, solange man von der jüngeren Generation<br />

der gepulsten neuronalen Netze“ ( pulsed neural networks“, vgl.<br />

” ”<br />

Maass & Bishop, 1999) absieht. Es sind vor allem die prozesshaften Annahmen,<br />

also in der Simulation diejenigen Funktionen, die das Verhalten<br />

der Neuronen beschreiben, die nur noch sehr vage die biologische Realität<br />

spiegeln. Diese prozesshaften Annahmen sind in Abbildung 2.2.3–1 dargestellt,<br />

angesichts der vielen Varianten, die es hier in der Literatur gibt, muss<br />

hinzugefügt werden: in einer Variante, die häufig in sprachverarbeitenden<br />

Modellen verwendet worden ist.

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!