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.
24 1. Grundlagen<br />
verteilungen, was die Namensgebung des ersten algorithmischen Teilschrittes erklärt.<br />
Aufgrund der Bindung σ2 ri ≈ σ2 bei großen µ werden nach (1-47) die Lernregeln (1-42)<br />
und (1-44) überflüssig, und es kann zunächst <strong>von</strong> einer Modelldichte mit univariaten<br />
Komponenten identischer Varianz σ2 ausgegangen werden. Auf ähnliche Weise kann<br />
in der univar-Phase aufgrund der starken Kopplung der Gewichte ˆ Pr an den vorgegebenen<br />
Wert 1/M auf die Lernregel (1-45) verzichtet werden, wenn die ˆ Pr einfach<br />
auf<br />
ˆPr = 1<br />
(1-48)<br />
M<br />
gesetzt werden. Wie schon Dersch (1995) gezeigt hat, erzwingt diese Forderung die<br />
sogenannte Load-balance<br />
� �<br />
ˆP(r|x,<br />
1<br />
θ) ≈ , (1-49)<br />
X M<br />
die für die Stabilität des univar-Algorithmus <strong>von</strong> außerordentlicher Bedeutung ist.<br />
Gleichung (1-48) besagt, dass jede Komponente der univariaten Mischungsdichte etwa<br />
gleich viele Datenpunkte repräsentieren soll.<br />
Wegen des Wegfalls der Lernregeln (1-42) bis (1-45) im univar-Schritt bleibt lediglich<br />
die Lernregel (1-41) für die Zentren cr der Modellkomponenten übrig. Im Verlauf<br />
dieser Arbeit werden fast alle Untersuchungen anhand nur dieser einen Lernregel durchgeführt.<br />
Abbildung 11 zeigt in der oberen Reihe einen typischen Verlauf einer univar-Dichteschätzung.<br />
Hier wird eine grobe Skizze des Datensatzes gefunden, bei der sich die<br />
1<br />
x1<br />
0<br />
(a)<br />
t=0<br />
(d)<br />
t=80 T<br />
0 x2 1<br />
(b)<br />
t=50 T<br />
(e)<br />
t=130 T<br />
(c)<br />
t=80 T<br />
(f)<br />
t=180 T<br />
Abbildung 11: Dichteschätzungsverfahren <strong>von</strong> zweidimensionalen Daten mit multivar, zeitlich in der<br />
Reihenfolge <strong>von</strong> (a) bis (f). In der oberen Reihe ist die univar-Phase dargestellt, die zur Clustereinteilung<br />
der Daten führt. Unten trainieren die Normalverteilungen in der anschließenden Verfeinerungsphase<br />
in ihrem jeweiligen Zuständigeitsbereich die lokalen Hauptachsen und Varianzen nach.