Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
12 Einleitung<br />
kann, insbesondere, wie es ohne zusätzliche Modellannahmen auskommt, wird in Kapitel<br />
4 besprochen.<br />
E.4 Gliederung der Arbeit<br />
Kapitel 1 beschäftigt sich mit denjenigen Eigenschaften des multivar-Algorithmus, die<br />
für die vorliegende Arbeit relevant sind. In Abschnitt 1.1 werden zunächst seine mathematischen<br />
Eigenschaften benannt, die ihn zum Maximum-likelihood-Dichteschätzer<br />
und Clusteringalgorithmus machen. In Abschnitt 1.2 wird dann die Interpretation des<br />
Algorithmus und der zugehörigen Netzwerkstruktur in biologischem Kontext vorgenommen.<br />
Die im Algorithmus verwendeten Begriffe, die vorher nur als mathematische<br />
Objekte definiert werden, sollen mit einem physiologienahen Hintergrund belegt werden,<br />
auch um ihnen die nötige Anschaulichkeit zu geben. Neben den Begriffen werden<br />
die Näherungen erläutert, die der neuronalen Modellbildung zugrundeliegen. Dadurch<br />
soll einigermaßen klar werden, welche Aspekte der biologischen Reizverarbeitung relativ<br />
detailliert simuliert und welche nur grob approximiert werden.<br />
Die Charakterisierung des on-line Lernproblems anhand des Clusteringprozesses wird<br />
in Kapitel 2 vorgenommen. Sie wird zunächst an zwei Beispielen vorgeführt, und<br />
danach durch die analytische Behandlung <strong>von</strong> Spezialfällen genauer gefasst. Die Untersuchungen<br />
zeigen, dass sowohl die räumlichen als auch die zeitlichen Skalen der<br />
Mittelwertsbildung im multivar-Algorithmus zu diesem Effekt beitragen. Wie stark<br />
sich beide Skalen dabei gegenseitig beeinflussen, ist in Abschnitt 2.3 beschrieben.<br />
Kapitel 4 führt das Prinzip des selbstreferentiellen Lernens ein, bei dem anhand des<br />
aktuellen Netzwerkzustands entschieden wird, ob und wie stark ein Datenpunkt in<br />
den Lernprozess eingehen soll. Das gewählte Prinzip ist, wie oben erwähnt, durch<br />
den Gewöhnungs- und Sensitivierungsprozess des Kiemenreflexes der Meeresschnecke<br />
Aplysia californica inspiriert, der in Kapitel 3 erklärt wird. Selbstreferentielles Lernen<br />
stellt einen möglichen Ansatz dar, die Probleme beim on-line Lernen zu vermeiden. Es<br />
wird hier anhand des ANTS (Algorithm for Neural Timescale Separation) vorgeführt,<br />
der eine Modifikation des multivar-Algorithmus ist. Seine Eigenschaften werden in<br />
Abschnitt 4.2 erklärt und in Appendix C bewiesen.