Neuronale Netze

dkriesel.com9.5 Verbindung zu Neuronalen NetzenWichtig!Zuweisung richtig: Der Gewinnervektorist der Codebookvektorder Klasse, der p zugehörigist. In diesem Fall liefert dieFunktion positive Werte, derCodebookvektor bewegt sichauf das p zu.Zuweisung falsch: Der Gewinnervektorrepräsentiert nicht die Klasse,der p zugehörig ist. Er bewegtsich daher von p weg.Wir sehen, dass wir die Funktion h nichtgenau definiert haben. Aus gutem Grund:Ab hier teilt sich LVQ in verschiedeneNuancen auf, abhängig davon wie exakth und die Lernrate bestimmt sein sollen(genannt LVQ1, LVQ2, LVQ3, OLVQ,etc). Die Unterschiede liegen beispielsweisein der Stärke der Codebookvektor-Bewegungen. Sie haben aber alle das gleichehier dargestellte Grundprinzip gemeinsam,und wie angekündigt möchte ich sienicht weiter betrachten – insofern schreibeich auch keine formalen Definitionen zuobiger Lernregel und LVQ an sich auf.ein Codebookvektor), während alle anderenvon ihm inhibiert werden.Ich setze das kurze Kapitel über LearningVector Quantization an diese Stelle imScript, weil wir im folgenden Kapitel überSelf Organizing Maps den Ansatz weiterverfolgenwollen: Wir werden weitere Eingabenmithilfe von im Eingangsraum verteiltenNeuronen klassifizieren, nur, dasswir diesmal nicht wissen, welche Eingabezu welcher Klasse gehört.Kommen wir nun zu den unüberwacht lernendenNetzen!ÜbungsaufgabenAufgabe 17: Geben Sie eine Quantisierungan, die im 5-dimensionalen EinheitswürfelH alle Vektoren H ∈ Hgleichmäßig in eine von 1024 Klassen einteilt.9.5 Verbindung zuNeuronalen NetzenBis jetzt kann man sich trotz des Lernvorgangesfragen, was denn LVQ mit NeuronalenNetzen zu tun hat. Man kann dieCodebookvektoren als Neuronen mit festemOrt im Inputraum ansehen, ähnlichwie bei RBF-Netzen. Zudem ist es in derVektoren= Neurone? Natur oft so, dass ein Neuron pro Gruppefeuern darf (ein Gewinnerneuron, hierD. Kriesel – Ein kleiner Überblick über Neuronale Netze (EPSILON-DE) 143