Neuronale Netze

dkriesel.comAbbildungsverzeichnis10.7 Topologischer Defekt einer SOM . . . . . . . . . . . . . . . . . . . . . . 15910.8 Auflösungsoptimierung einer SOM auf bestimmte Gebiete . . . . . . . . 16010.9 Durch Neuronales Gas zu klassifizierende Figur . . . . . . . . . . . . . . 16311.1 Aufbau eines ART-Netzes . . . . . . . . . . . . . . . . . . . . . . . . . . 16811.2 Lernvorgang eines ART-Netzes . . . . . . . . . . . . . . . . . . . . . . . 170A.1 Vergleich von Clusteranalyseverfahren . . . . . . . . . . . . . . . . . . . 177A.2 ROLF-Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179A.3 Clustering durch ein ROLF . . . . . . . . . . . . . . . . . . . . . . . . . 182B.1 Zeitreihe abtastendes Neuronales Netz . . . . . . . . . . . . . . . . . . . 186B.2 One Step Ahead Prediction . . . . . . . . . . . . . . . . . . . . . . . . . 188B.3 Two Step Ahead Prediction . . . . . . . . . . . . . . . . . . . . . . . . . 190B.4 Direct Two Step Ahead Prediction . . . . . . . . . . . . . . . . . . . . . 190B.5 Heterogene One Step Ahead Prediction . . . . . . . . . . . . . . . . . . 192B.6 Heterogene One Step Ahead Prediction mit zwei Ausgaben . . . . . . . 192C.1 Gridworld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197C.2 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 198C.3 Gridworld mit optimalen Returns . . . . . . . . . . . . . . . . . . . . . . 204C.4 Reinforcement-Learning-Kreislauf . . . . . . . . . . . . . . . . . . . . . . 206C.5 Montecarlo-Methodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207C.6 Erweiterte Montecarlo-Methodik . . . . . . . . . . . . . . . . . . . . . . 208C.7 Verbesserung der Policy . . . . . . . . . . . . . . . . . . . . . . . . . . . 208C.8 Action-Value-Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209C.9 Reinforcement Learning Zeitstrahl . . . . . . . . . . . . . . . . . . . . . 210D. Kriesel – Ein kleiner Überblick über Neuronale Netze (EPSILON-DE) 223