Neuronale Netze

dkriesel.comA.5 Regional and Online Learnable Fieldsdie Neuronen, größer zu werden, wennnötig. Hier gibt es wieder keine Patentrezepte,genau wie für die Lernraten η c undη σ .Beliebt für ρ sind Multiplikatoren im untereneinstelligen Bereich, wie 2 oder 3.Bei η c und η σ wird mit Werten um 0.005bis 0.1 erfolgreich gearbeitet, auch bei diesemNetztyp sind Variationen zur Laufzeitdenkbar. Startwerte für σ hängen in derRegel sehr von der Cluster- und Datenstreuungab (müssen also oft ausprobiertwerden), wobei diese gegenüber falschenInitialisierungen zumindest bei der Meanσ-Strategienach einiger Trainingszeit relativrobust sind.Insgesamt muss sich das ROLF im Vergleichzu den anderen Clusteringverfahrendurchaus nicht verstecken und wird insbesonderefür speicherarme Systeme odersehr große Datenmengen sehr interessantsein.ÜbungsaufgabenAufgabe 19: Bestimmen Sie mindestensvier Adaptionsschritte für ein einzelnesROLF-Neuron k, wenn die vier untenstehendenMuster nacheinander in der angegebenenReihenfolge präsentiert werden.Die Startwerte für das ROLF-Neuron seienc k = (0.1, 0.1) und σ k = 1. Weiter gelteη c = 0.5 sowie η σ = 0. Sei ρ = 3.P = {(0.1, 0.1);= (0.9, 0.1);= (0.1, 0.9);= (0.9, 0.9)}.A.5.6 AnwendungsbeispieleEin erstes Anwendungsbeispiel könnte z.B.das Finden von Farbclustern in RGB-Bildern sein. Ein weiteres direkt in derROLF-Veröffentlichung beschriebenes Einsatzgebietist das Erkennen von Worten,welche in einen 720dimensionalen Merkmalsraumüberführt wurden – wir sehen also,dass die ROLFs auch gegenüber höherenDimensionen relativ robust sind. Weiteremir bekannte Anwendungsgebiete liegenin der Entdeckung und Zuordnung vonAngriffen auf Netzwerksysteme.D. Kriesel – Ein kleiner Überblick über Neuronale Netze (EPSILON-DE) 183