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.
36 1. Grundlagen<br />
1.2.4 Hebb’sches Lernen<br />
Durch die Verwendung <strong>von</strong> Aktivität und synaptischer Stärke legt man ein Modell<br />
zugrunde, das aus zwei Größen mit unterschiedlichen Zeitskalen besteht. Beim Lernen<br />
wird durch die schnell veränderlichen Aktivitätsmuster eine langsame Veränderung der<br />
synaptischen Gewichte hervorgerufen. Dieser Vorgang wurde zuerst <strong>von</strong> Hebb (1949,<br />
S. 62) postuliert:<br />
✮✮When an axon of cell A is near enough to excite a cell B and repeatedly or<br />
persistently takes part in firing it, some growth process or metabolic change<br />
takes place in one or both cells such that A’s efficiency, as one of the cells firing<br />
B, is increased.✭✭<br />
Diese Feststellung, auch als Hebb’sche Lernregel bezeichnet, legt die Art der Verstärkung<br />
und die beteiligten Nervenzellen nicht fest. Es sind verschiedene Szenarien denkbar,<br />
die zu einer Verstärkung der synaptischen Verbindung zweier Zellen führen (Sejnowski<br />
& Tesauro, 1989). Ein häufiger Ansatz ist jedoch die Verwendung des Korrelationsproduktes<br />
aus prä- und postsynaptischer Aktivität, im Falle des ANN in Abb. 14<br />
also des Produktes arhq, als Wachstumsterm für die Verbindungsstärke Srq. Eine solche<br />
Lernregel hat dann die Form<br />
Srq(t+1) = Srq(t) + εar(t)hq(t). (1-67)<br />
Die Bedingung der wiederholten oder ständigen Aktivierung wurde schon in der Einleitung<br />
als Mittelungsprozess hervorgehoben. Die Lernregel (1-67) führt jedoch zu unbeschränktem<br />
Wachstum, da nur positive Terme addiert werden. Zieht man ar(t)Srq(t)<br />
als Beschränkungsterm ab, so bekommt man die kompetitive Form der Hebb’schen<br />
Lernregel,<br />
Srq(t+1) = Srq(t) + εar(t) � hq(t) − Srq(t) � . (1-68)<br />
Bei ihrer Anwendung bleibt die Norm <strong>von</strong> Sr erhalten, denn mit der Normierung <strong>von</strong><br />
h aus (1-62) folgt sofort auch<br />
N�<br />
Srq(t) = 1 =⇒<br />
q=1<br />
Abbildung 17: Schrittweite <strong>von</strong> vier Neuronen<br />
im Merkmalsraum, entsprechend der kompetitiven<br />
Hebb’schen Lernregel (1-70). Die Zentren<br />
rutschen in die Richtung des Reizes x,<br />
aber nur einen gewissen Anteil εar < 1 der<br />
Gesamtstrecke.<br />
N�<br />
Srq(t+1) = 1 ∀r. (1-69)<br />
q=1<br />
c3<br />
c1<br />
x<br />
c4<br />
c2<br />
M