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.
iv Inhaltsverzeichnis<br />
3 Neuronale Gewöhnung in Aplysia californica 71<br />
4 Neuigkeitsorientiertes Lernen 77<br />
4.1 Entfernen <strong>von</strong> redundanten Daten . . . . . . . . . . . . . . . . . . . . . 78<br />
4.1.1 Die Aufmerksamkeitsschwelle . . . . . . . . . . . . . . . . . . . 78<br />
4.1.2 Ein Algorithmus für die Entkopplung <strong>von</strong> Lern- und Systemdynamik<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80<br />
4.2 Das Verhalten des ANTS . . . . . . . . . . . . . . . . . . . . . . . . . . 81<br />
4.2.1 Stationäre Approximationseigenschaften . . . . . . . . . . . . . 81<br />
4.2.2 Eigenschaften der Phasenübergänge . . . . . . . . . . . . . . . . 85<br />
4.2.3 Dynamikentkopplung durch Zeitskalenkompression . . . . . . . . 88<br />
4.2.4 Dynamikentkopplung durch unterschiedliche Zeitskalenkompression<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89<br />
4.2.5 Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 93<br />
5 Zusammenfassung und Ergebnisse der Arbeit 95<br />
A Gedächtniskerne 97<br />
B Einige einfache Modelle 100<br />
B.1 Eine kontinuierliche Näherung für mittlere τS . . . . . . . . . . . . . . 100<br />
B.2 Die diskrete Formulierung der Näherung für mittlere τS . . . . . . . . . 102<br />
B.3 Eine Näherung für sehr große τS . . . . . . . . . . . . . . . . . . . . . . 103<br />
C Ergebnisse der Variationsrechnung 106<br />
C.1 Warum eine ML-Schätzung die Verteilungsdichte approximiert . . . . . 106<br />
C.2 Warum selbstreferentielles Lernen die Datenverteilungsdichte abschneidet108<br />
Literatur 114<br />
Notation 117