Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
28 1. Grundlagen<br />
Kapitel 2 gewidmet. Zunächst soll jedoch im folgenden Abschnitt näher auf die Verbindungen<br />
zwischen multivar-Algorithmus und biologischer Reizverarbeitung eingegangen<br />
werden.<br />
0<br />
c1(t)<br />
c2(t)<br />
t −→<br />
Abbildung 13: Der Lernprozess aus Abbildung 6b, diesmal nicht als Bildung eines globalen, sondern<br />
zweier lokaler Mittelwerte, deren Optimalwerte bei den gepunkteten Linien liegen. Aufgetragen sind<br />
die beiden Zentren cr der Normalverteilungen als Funktionen der Zeit. Da die Zentren aufgrund der<br />
Kompetition fast nur ihre ” eigenen“ Daten sehen, können sie kaum noch wie in Abb. 6b <strong>von</strong> den Daten<br />
des jeweils anderen Clusters angezogen werden. Der Lernprozess <strong>von</strong> multivar ist hier in seiner zweiten<br />
Phase gezeigt, denn die Aufspaltung in zwei <strong>von</strong>einander entfernte Zentren hat bereits stattgefunden.<br />
1.2 Neuronale Interpretation <strong>von</strong> multivar<br />
In einigen Teilen des menschlichen Gehirns, v.a. in der Hirnrinde, liegt die Verschaltung<br />
der Nervenzellen in Schichten vor (sechs Schichten in der Groß- und drei in der<br />
Kleinhirnrinde). Dabei dienen manche hauptsächlich als Eingabe-, andere als Ausgabeschichten,<br />
die restlichen werden als Verarbeitungsschichten aufgefasst. Es lassen jedoch<br />
nicht nur Gehirnteile mit expliziter Schichtenstruktur als Ein-/Ausgabe-Einheiten ansehen,<br />
sondern praktisch alle. Für die effektive Modellierung eines solches Ein- und<br />
Ausgabe-Verhalten bietet sich ein Neuronales Netzwerk aus zwei Knotenschichten an.<br />
Alle relevanten physiologischen Prozesse, die <strong>von</strong> der Ein- zur Ausgabe führen, müssen<br />
dabei in der Verarbeitungsabbildung A berücksichtigt werden.<br />
Für den multivar-Algorithmus und das zugehörige Netzwerk, das ebenfalls aus zwei<br />
Schichten besteht, möchte ich die Prinzipien, auf denen die Modellierung <strong>von</strong> A beruht,<br />
am Beispiel der visuellen Informationsverarbeitung zwischen Retina und primärem visuellem<br />
Kortex (V1) vorführen. Abbildung 14 zeigt ein vereinfachtes Bild der Verschaltung<br />
zwischen Retina und dem Kortexbereich V1. Die lichtempfindlichen Rezeptoren<br />
auf der Netzhaut stellen die obere Schicht dar, in diesem Fall mit einem Erregungsmuster,<br />
das <strong>von</strong> einem balkenförmigen Lichtfleck herrührt. Darunter ist der V1 skizziert,<br />
der wegen des Musters auf der Retina ebenfalls eine bestimmte Erregung aufweist. Im<br />
Gehirn befinden sich dazwischen noch weitere Schichten, nämlich zunächst die Zellen<br />
direkt hinter der Retina, die das Signal der Lichtrezeptoren verarbeiten, anschließend<br />
der seitliche Kniehöcker, der das Signal ein weiteres Mal verarbeitet und an den V1 weitergibt.<br />
Diese Schichten sind durch synaptische Verbindungen miteinander verknüpft,<br />
die alle eine gewisse Übertragungsstärke haben. Im Bild werden diese Verknüpfungen<br />
in einem einzigen synaptischen Baum Sr zusammengefasst.<br />
x(t)<br />
T