Diplomarbeit von Michael Schindler

Weitere Magazine

Empfehlungen

Info

116 Literatur Rieke, F., Warland, D., de Ruyter van Steveninck, R., & Bialek, W. (1999). Spikes: Exploring the Neural Code. Cambridge, MA: MIT Press. Ritter, H., Martinetz, T., & Schulten, K. (1992). Neuronale Netze – Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke. Bonn: Addison-Wesley. Rose, K., Gurewitz, E., & Fox, G. C. (1990). Statistical Mechanics and Phase Transitions in Clustering. Physical Review Letters 65(8), 945–948. Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review 65, 386–408. Abgedruckt in Anderson & Rosenfeld (1988). Rubner, J. & Tavan, P. (1989). A Self-Organizing Network for Principal Component Analysis. Europhysics Letters 10(7), 693–698. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning Representations by Back-propagating Errors. Nature 323, 533–536. Abgedruckt in Anderson & Rosenfeld (1988). Schmidt, R. F. & Schaible, H.-G. (Hrsg.) (2000). Neuro- und Sinnesphysiologie (4. Aufl.). Berlin: Springer-Verlag. Schmidt, R. F., Thews, G., & Lang, F. (2000). Physiologie des Menschen (28. Aufl.). Berlin: Springer-Verlag. Sejnowski, T. J. & Tesauro, G. (1989). The Hebb Rule for Synaptic Plasticity: Algorithms and Implementations. In J. H. Byrne & W. O. Berry (Hrsg.), Neural Models of Plasticity, Kapitel 6, S. 94–103. San Diego: Academic Press. Sonner, M. (1997). Selbstorganisation paralleler Experten zur Identifikation und Repräsentation wechselnder Systemzustände. Diplomarbeit, Institut für Medizinische Optik, Ludwig-Maximilians-Universität, München. Tapia, R. A. & Thompson, J. R. (1978). Nonparametric Probability Density Estimation. Baltimore: John Hopkins University Press. Wilden, A. (1998). Mustererkennung, Restmengenklassifikation und deren Anwendung in der Sprachverarbeitung. Diplomarbeit, Fakultät für Physik der Ludwig- Maximilians-Universität, München. Willshaw, D. J. & von der Malsburg, C. (1976). How Patterned Neural Connections Can Be Set up by Self-organization. Proceedings of the Royal Society, London, B 194, 431–445.
Notation Abkürzungen: NN Neuronales Netz ANN Adaptives oder lernendes Neuronales Netz MVNN multivar-Netzwerk PCA Hauptkomponentenanalyse oder principal component analysis GF Gaußfunktion oder Glockenkurve in beliebig vielen Dimensionen RBF Netzwerk, das aus radialen Basisfunktionen aufgebaut ist, hier sind das meistens Gaußfunktionen V1 Primärer visueller Kortex ML Maximum-likelihood EM Expectation Maximization Einführung und mathematische Abstraktionen: ar Aktivität der r-ten Zelle a Zustand des NN, Vektor aller Aktivitäten θ Netzwerkparameter A Abbildung von altem auf neuen Netzwerkzustand P Lernregel für die Netzwerkparameter ε Lernparameter von P q Index der Nervenzellen auf der Eingabeschicht hq Aktivität der q-ten Zelle auf der Eingabeschicht h Ein Reiz von außen, Vektor der hq zq Ort der q-ten Zelle z.B. auf der Retina r Index der Nervenzellen auf der unteren Schicht x Ort eines Bestreizes h im Merkmalsraum M Srq Gewicht der synaptischen Verbindung von q nach r Zum Dichteschätzer: p Verteilungsdichte der Daten x ein zu lernender Datenpunkt X der ganze Datensatz X = (x(1),x(2), . . .,x(T)) T Anzahl aller gezeigter Datenpunkte M Merkmalsraum der Daten ˆp ≡ A Schätzung von p durch den Lerner Pr a-priori Wahrscheinlichkeit, dass das rte Neuron angesprochen wird M Anzahl der Gaußfunktionen in der Schätzung ˆp
Seite 1:
Modelle zur Entkopplung von Lern- u
Seite 4 und 5:
iv Inhaltsverzeichnis 3 Neuronale G
Seite 6 und 7:
2 Einleitung a3 a4 a1 a2 Abbildung
Seite 8 und 9:
4 Einleitung Das Auffinden der pass
Seite 10 und 11:
6 Einleitung In der folgenden Gleic
Seite 12 und 13:
8 Einleitung Gleitende Mittelung vo
Seite 14 und 15:
10 Einleitung Dauer. Die akustische
Seite 16 und 17:
12 Einleitung kann, insbesondere, w
Seite 18 und 19:
14 1. Grundlagen schen Methoden zu
Seite 20 und 21:
16 1. Grundlagen lichkeitsdichte je
Seite 22 und 23:
18 1. Grundlagen Glockenkurve zuord
Seite 24 und 25:
20 1. Grundlagen folgt. Dies ist di
Seite 26 und 27:
22 1. Grundlagen Mit den Eigenwertg
Seite 28 und 29:
24 1. Grundlagen verteilungen, was
Seite 30 und 31:
26 1. Grundlagen kann diese Analogi
Seite 32 und 33:
28 1. Grundlagen Kapitel 2 gewidmet
Seite 34 und 35:
30 1. Grundlagen Eingabeschicht ⏐
Seite 36 und 37:
32 1. Grundlagen h r Sr T −→ x
Seite 38 und 39:
34 1. Grundlagen Die Verarbeitungsa
Seite 40 und 41:
36 1. Grundlagen 1.2.4 Hebb’sches
Seite 42 und 43:
38 1. Grundlagen (a) (b) kleiner Fi
Seite 44 und 45:
40 1. Grundlagen 1.2.6 Dimensionsre
Seite 46 und 47:
42 2. On-line Lernen mit univar Nac
Seite 48 und 49:
44 2. On-line Lernen mit univar 0 t
Seite 50 und 51:
46 2. On-line Lernen mit univar Au
Seite 52 und 53:
48 2. On-line Lernen mit univar x/
Seite 54 und 55:
50 2. On-line Lernen mit univar der
Seite 56 und 57:
52 2. On-line Lernen mit univar vie
Seite 58 und 59:
54 2. On-line Lernen mit univar (a1
Seite 60 und 61:
56 2. On-line Lernen mit univar 2.1
Seite 62 und 63:
58 2. On-line Lernen mit univar (c)
Seite 64 und 65:
60 2. On-line Lernen mit univar Die
Seite 66 und 67:
62 2. On-line Lernen mit univar log
Seite 68 und 69:
64 2. On-line Lernen mit univar imm
Seite 70 und 71: 66 2. On-line Lernen mit univar in
Seite 72 und 73: 68 2. On-line Lernen mit univar und
Seite 74 und 75: 70 2. On-line Lernen mit univar
Seite 76 und 77: 72 3. Neuronale Gewöhnung in Aplys
Seite 82 und 83: 78 4. Neuigkeitsorientiertes Lernen
Seite 100 und 101: 96 5. Zusammenfassung und Ergebniss
Seite 102 und 103: 98 A. Gedächtniskerne Man sieht, d
Seite 104 und 105: Appendix B Einige einfache Modelle
Seite 106 und 107: 102 B. Einige einfache Modelle Nun
Seite 108 und 109: 104 B. Einige einfache Modelle bere
Seite 110 und 111: Appendix C Ergebnisse der Variation
Seite 112 und 113: 108 C. Ergebnisse der Variationsrec
Seite 118 und 119: Literatur Abramowitz, M. & Stegun,
Seite 122 und 123: 118 Notation cr Zentren der Gaußfu
Seite 124 und 125: 120
Alle anzeigen

Diplomarbeit von Michael Schindler

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

Template löschen?

Als Template speichern?