Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server

4 benachbarten Pixeln auf die Größe von 60x40 Pixeln reduziert. Der gemittelte Bildausschnitt
entspricht einem Gebiet von 250km x 300km, das über Norddeutschland gewählt wurde.
3.6 Bestimmung der optimalen Parameter
Bei jedem Modell, mit dem ein komplexer Vorgang vereinfacht beschrieben wird, müssen eine
Reihe von Annahmen und Festlegungen getroffen werden. Bei empirischen Modellen wird dann
innerhalb dieses vorgegebenen Rahmens das Modell an eine Datenmenge angepaßt. Voraussetzung
dafür, daß mit dem Modell der zugrunde liegende Zusammenhang gut approximiert werden kann,
ist, daß der Rahmen passend gewählt wird. So wäre es z. B. wenig sinnvoll zu versuchen, einen
stark nichtlinearen Zusammenhang mit einem linearen Modell zu beschreiben. Als erster Schritt
zur Festlegung eines Modells wird die Methode bestimmt, mit der vorgegangen werden soll, hier
neuronale Netze und Hauptkomponenten-Analyse. Der nächste Schritt ist die Konkretisierung des
Modells durch Festlegen von Parametern. Dies stellt einen sehr wichtigen Punkt dar, da der Erfolg
des Verfahrens, neben der Wahl der Methode, davon abhängt, daß die Parameter geeignet gesetzt
werden.
Im Fall der Vorhersage mit neuronalen Netzen gibt es eine Vielzahl von freien Parametern, dazu
gehören z.B. die Kriterien für die Klassifikation, die Ein- und Ausgabedimension des Netzes oder
die Parameter im Lernverfahren. Diese Parameter sind nicht unabhängig voneinander, sondern beeinflussen
sich in unterschiedlichem Maß gegenseitig, so wirkt z. B. die Art der Klassifikation auf
die Anzahl der Moden, durch die die Bilder repräsentiert werden. Um die beste Parameterkonfiguration
zu finden, muß deshalb eine große Zahl von Kombinationsmöglichkeiten untersucht werden.
Der Reihenfolge der Verfahrensschritte im Vorhersagealgorithmus folgend, wird zunächst auf die
Kriterien zur Klassifikation der Cloud-Index Bilder eingegangen. Den Schwerpunkt des Kapitels
bildet die Bestimmung der Parameter, die das neuronale Netz festlegen.
3.6.1 Kriterien zur Unterscheidung verschiedener Typen von Cloud-Index
Bildern
Sowohl bei der Hauptkomponenten-Analyse als auch bei neuronalen Netzen wird für eine vorgegebene
Menge von Beispielen die optimal an diese Beispielmenge angepaßte Lösung gesucht. Wie
bereits in Abschnitt 3.2 dargestellt, läßt sich so erwarten, daß die Vorhersagefehler kleiner werden,
wenn ähnliche Beispiele zu Klassen zusammengefaßt und für diese Klassen dann getrennte Basissysteme
bestimmt bzw. verschiedene Netze trainiert werden. Für die Hauptkomponenten-Analyse
sind die zugrunde liegenden Beispiele einzelne Bildausschnitte. Diese sollen nun in verschiedene
Klassen unterteilt werden. Damit ergibt sich auch für die neuronalen Netze, wo die Elemente der
Beispielmenge Folgen von Bildausschnitten sind, eine Klassifizierung, indem jede Bildfolge der
Klasse des mittleren Bildes der Folge zugeordnet wird.
In diesem Abschnitt wird zunächst eine Motivation für die Festlegung der Klassifikationskriterien
gegeben. Anschließend wird untersucht, wie sich die Klassifikation auf den Fehler durch die
32