Diplomarbeit von Michael Schindler

Weitere Magazine

Empfehlungen

Info

118 Notation cr Zentren der Gaußfunktionen bei einer Schätzung. Alle M Zentren zusammen bilden das Codebuch. σri Gaußbreite des rten Neurons in Richtung der iten Hauptachse σ Breite der Gaußfunktionen im univariaten Fall, sonst Wert, an den die σri gebunden werden. wri Die ite Hauptachse des rten Neurons Σr Die Kovarianzmatrix des rten Neurons, Σr = � d i=1 σ2 ri wriw T ri θ Zusammenfassung aller cr, wri und σri ε Lernrate in der verwendeten kompetitiven Hebb’schen Lernregel R Größe des Rauschterms in der Lernregel für die Zentren, um Entartungen aufzuheben E Einheitsmatrix Zum Abschneide-Algorithmus: α Anteil der gelernten Daten an den Gesamtdaten ǫA Schwelle für A(x), die zur Entscheidung dient, ob x gelernt wird oder nicht ˜p Verteilungsdichte der tatsächlich gelernten Datenpunkte ωA(x) Erwartungswert für f(x) für gegebenes x Θ�(ǫA−ˆp) Der gleiche Erwartungswert, jedoch als Funktion von ˆp aufgefasst und mit Betonung der Eigenschaft von ωA(x) als etwas verwaschene Heavyside-Funktion Γo Der äußere“ Bereich von M, wo alle Punkte gelernt werden ” Der innere“ Bereich von M, wo Punkte selektiert werden ” Γi
Ein Dankeschön Ich möchte an dieser Stelle die Gelegenheit nutzen, allen Mitarbeitern des Lehrstuhls für BioMolekulare Optik meinen Dank auszusprechen für die Unterstützung, die sie mir im Laufe meiner Arbeit haben zuteil werden lassen. Herrn Prof. Dr. Paul Tavan möchte ich für die Möglichkeit danken, im letzen Jahr an einem spannenden und anregenden Thema zu arbeiten. Für die geleistete Betreuung und die viele Zeit, die er meiner Arbeit während der schriftlichen Ausarbeitungsphase widmete, möchte ich mich erkenntlich zeigen. Für die äußerst angenehme Arbeitsatmosphäre sei in erster Linie meinem Zimmerkollegen Andi Weiß gedankt, der sich allem Anschein nach in jeder noch so entlegenen Ecke literarischen Schaffens bestens auskennt. Ihm und Paul Strodel sowie den weiteren Teilnehmern des regelmäßig stattfindenden Medienkompetenzseminars sei für ihre leider vergeblichen Versuche gedankt, mich in die wirklich wichtigen Dinge des täglichen Geschehens einzuweihen. Bei allen anderen Mitgliedern der Arbeitsgruppe Theoretische Biophysik, Tassilo Christ, Bernhard Egwolf, Gerald Mathias, Heiko Carstens, Martina Stork, Thomas Hirschberger, Niels Lange, Mattias Schmitz und Marco Nonella, möchte ich mich für das freundschaftliche Arbeitsklima und die große Hilfsbereitschaft bedanken. Mein besonderer Dank für die wöchentliche Abreibung im Cosimabad gilt Erik Baigar, der mir auch in allen anderen Fragen – besonders beim Thema Schokolade – immer hilfreich zur Seite stand. 119
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 120 und 121: 116 Literatur Rieke, F., Warland, D
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?