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.
38 1. Grundlagen<br />
(a) (b)<br />
kleiner<br />
Finger<br />
Ringfinger<br />
Handteller<br />
Mittelfinger<br />
Zeigefinger<br />
Daumen<br />
Abbildung 18: (a) Beispiel einer topographischen Karte nach einem Lernprozess des Kohonen-Netzes.<br />
Die dicht schraffierten Flächen sind Bereiche hoher Reizdichte, und entsprechend ist dort auch die<br />
Dichte der virtuellen Orte der Neuronen höher. In (b) ist die Zuordnung der Reizbereiche zu den<br />
Neuronen auf dem kortikalen Gitter zu sehen. Bilder aus Dersch (1995).<br />
Das bekannteste Beispiel eines Neuronalen Netzes zur Erstellung einer kortikalen Karte<br />
ist der Algorithmus <strong>von</strong> Kohonen (1982) (siehe auch Ritter, Martinetz & Schulten,<br />
1992), dessen Lernregel für die virtuellen Orte cr der Neuronen im Merkmalsraum<br />
auch in der Form (1-70) geschrieben werden kann, jedoch mit einer anderen Aktivierungsfunktion<br />
als beim multivar-Algorithmus. Abbildung 18a zeigt das Ergebnis<br />
eines solchen Lernprozesses, einmal im Merkmalsraum (a) und einmal auf dem Kortex,<br />
der hier aus einem zweidimensionalen Gitter besteht. Im Merkmalsraum positionieren<br />
sich die virtuellen Orte so, dass ihre Dichte D(c) (definiert durch den Grenzübergang<br />
beliebig vieler Neuronen) dort groß ist, wo auch die Reizdichte p(x) groß ist. Eine<br />
genaue Analyse des funktionalen Zusammenhangs <strong>von</strong> D und p ist bei Dersch (1995)<br />
zu finden. Die physikalische Nachbarschaftsbeziehung der Neuronen wird im Kohonen-<br />
Algorithmus über ein festes Gitter modelliert. Abbildung 18b zeigt dieses Gitter und<br />
die Zuordnung zu den Orten auf der Reizfläche, die in Abb. 18a vorgenommen wurde.<br />
Das Ergebnis ist eine typische nachbarschaftserhaltende und dichteorienterte Merkmalskarte.<br />
Merkmalskarten durch lokale PCA<br />
Das MVNN, das in dieser Arbeit verwendet wird, hat keine vorgegebene Topologie.<br />
Seine räumliche Organisation beruht ausschließlich auf gegenseitiger Kompetition im<br />
Merkmalsraum nach Gleichung (1-10), weshalb die Merkmalskarten, die durch Anwenden<br />
der Lernregel (1-41) entstehen, nicht nachbarschaftserhaltend, sondern lediglich<br />
dichteorientiert sind. Eine neuronale Karte des Datensatzes aus Abb. 18 mit dem univar-Algorithmus<br />
bei gleicher Neuronenzahl (M = 256) würde ähnliche virtuelle Ort