Diplomarbeit von Michael Schindler

Weitere Magazine

Empfehlungen

Info

76 3. Neuronale Gewöhnung in Aplysia californica Wie eine solche selbstreferentielle Datenselektion im univar-Algorithmus implementiert werden kann, und welche Auswirkungen sie auf den Lernprozess hat, möchte ich im folgenden Kapitel beschreiben.
Kapitel 4 Neuigkeitsorientiertes Lernen In Kapitel 2 wurde die Verschiebung des Phasenübergangs durch die dynamische Kopplung von Codebuch und System als das on-line Lernproblem des univar-Algorithmus entdeckt. Dort ergab sich als natürliches Maß für die effektive Beweglichkeit der Codebuchzentren die inversen Längen des Gedächtniskernes, also im wesentlichen der Lernparameter ε, moduliert durch die räumliche Aufteilung des Merkmalsraumes, die durch ar(x) vorgenommen wird. In Zusammenhang mit Abb. 26 konnte gezeigt werden, dass räumliche Kompetition die effektive Lerndynamik so stark verlangsamen kann, dass die Dynamikkopplung aufgehoben wird und ein Phasenübergang geschieht. Phasenübergang und Entkopplung bedingen einander dabei gegenseitig. Im letzten Kapitel wurde daraufhin anhand des Gewöhnungsverhaltens von Aplysia eine weitere Möglichkeit zur Modulation der Lernrate entdeckt, und zwar der Faktor f in der Lernregel (3-1). Dieser ist nicht primär räumlicher, sondern auch zeitlicher Natur, da er von Aplysia als Filter für zeitlich redundante Daten verwendet wird. Die neurophysiologischen Untersuchungen an Aplysia wurden nicht so weit betrieben, dass sich bereits eine Regel erkennen ließe, wie f aus dem aktuellen Reiz x und dem Netzwerkzustand θ, der das effektive Gedächtnis an die vergangenen Reizmuster ist, zu berechnen sei. Da der univar-Algorithmus kein physiologienahes Modell ist, wie aus Abschnitt 1.2 ersichtlich wird, wäre dieser Ansatz hier auch nicht angemessen. Vielmehr soll nur das Prinzip der Datenfilterung von Aplysia übernommen werden. Dazu wurde bemerkt, dass f, welches ja die Netzwerkparameter θ verändern soll, auf jeden Fall auch von θ abhängen muss, was die Filterung von Datenpunkten selbstreferentiell werden lässt. An dieser Stelle soll nun ein konkreter Algorithmus vorgeschlagen werden, der durch die neue Lernregel (3-1) und eine einfache selbstreferentielle Regel für f(x, θ) in der Lage ist, die Lern- und die Systemdynamik so weit voneinander zu trennen, dass ihre Kopplung zwar nicht immer vollständig unterbunden, aber auf jeden Fall abgeschwächt wird. Wegen dieser Eigenschaft werde ich ihn ANTS (Algorithm for Neural Timescale Separation) nennen. Er ist eine Modifikation des univar-Algorithmus und als solcher auch eine Art Dichteschätzer. Welche Verteilungsdichte er approximiert, und welche Änderungen an seinem dynamischen Verhalten sich daraus ergeben, wird auf den folgenden Seiten dargestellt.
Seite 1:
Modelle zur Entkopplung von Lern- u
Seite 4 und 5:
iv Inhaltsverzeichnis 3 Neuronale G
Seite 6 und 7:
2 Einleitung a3 a4 a1 a2 Abbildung
Seite 8 und 9:
4 Einleitung Das Auffinden der pass
Seite 10 und 11:
6 Einleitung In der folgenden Gleic
Seite 12 und 13:
8 Einleitung Gleitende Mittelung vo
Seite 14 und 15:
10 Einleitung Dauer. Die akustische
Seite 16 und 17:
12 Einleitung kann, insbesondere, w
Seite 18 und 19:
14 1. Grundlagen schen Methoden zu
Seite 20 und 21:
16 1. Grundlagen lichkeitsdichte je
Seite 22 und 23:
18 1. Grundlagen Glockenkurve zuord
Seite 24 und 25:
20 1. Grundlagen folgt. Dies ist di
Seite 26 und 27:
22 1. Grundlagen Mit den Eigenwertg
Seite 28 und 29:
24 1. Grundlagen verteilungen, was
Seite 30 und 31: 26 1. Grundlagen kann diese Analogi
Seite 32 und 33: 28 1. Grundlagen Kapitel 2 gewidmet
Seite 34 und 35: 30 1. Grundlagen Eingabeschicht ⏐
Seite 36 und 37: 32 1. Grundlagen h r Sr T −→ x
Seite 38 und 39: 34 1. Grundlagen Die Verarbeitungsa
Seite 40 und 41: 36 1. Grundlagen 1.2.4 Hebb’sches
Seite 42 und 43: 38 1. Grundlagen (a) (b) kleiner Fi
Seite 44 und 45: 40 1. Grundlagen 1.2.6 Dimensionsre
Seite 46 und 47: 42 2. On-line Lernen mit univar Nac
Seite 48 und 49: 44 2. On-line Lernen mit univar 0 t
Seite 50 und 51: 46 2. On-line Lernen mit univar Au
Seite 52 und 53: 48 2. On-line Lernen mit univar x/
Seite 54 und 55: 50 2. On-line Lernen mit univar der
Seite 56 und 57: 52 2. On-line Lernen mit univar vie
Seite 58 und 59: 54 2. On-line Lernen mit univar (a1
Seite 60 und 61: 56 2. On-line Lernen mit univar 2.1
Seite 62 und 63: 58 2. On-line Lernen mit univar (c)
Seite 64 und 65: 60 2. On-line Lernen mit univar Die
Seite 66 und 67: 62 2. On-line Lernen mit univar log
Seite 68 und 69: 64 2. On-line Lernen mit univar imm
Seite 70 und 71: 66 2. On-line Lernen mit univar in
Seite 72 und 73: 68 2. On-line Lernen mit univar und
Seite 74 und 75: 70 2. On-line Lernen mit univar
Seite 76 und 77: 72 3. Neuronale Gewöhnung in Aplys
Seite 78 und 79: 74 3. Neuronale Gewöhnung in Aplys
Seite 82 und 83: 78 4. Neuigkeitsorientiertes Lernen
Seite 100 und 101: 96 5. Zusammenfassung und Ergebniss
Seite 102 und 103: 98 A. Gedächtniskerne Man sieht, d
Seite 104 und 105: Appendix B Einige einfache Modelle
Seite 106 und 107: 102 B. Einige einfache Modelle Nun
Seite 108 und 109: 104 B. Einige einfache Modelle bere
Seite 110 und 111: Appendix C Ergebnisse der Variation
Seite 112 und 113: 108 C. Ergebnisse der Variationsrec
Seite 118 und 119: Literatur Abramowitz, M. & Stegun,
Seite 120 und 121: 116 Literatur Rieke, F., Warland, D
Seite 122 und 123: 118 Notation cr Zentren der Gaußfu
Seite 124 und 125: 120
Alle anzeigen

Diplomarbeit von Michael Schindler

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?