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.
−1.4<br />
−1.5<br />
〈f lnA〉<br />
σopt/σS<br />
(a)<br />
0.35 0.3 0.25 0.2 0.15 0.1 σ/σS<br />
4.2 Das Verhalten des ANTS 85<br />
p c<br />
A<br />
c1 · · · c12<br />
Abbildung 43: (a) Bestimmung des Maximums <strong>von</strong> Funktional (4-15) unter langsamem Annealing der<br />
Breite σ. Im Optimalfall wird die Verteilungsdichte p c (graue Linie) relativ gut <strong>von</strong> der Mischung A<br />
univariater Normalverteilungen mit gleicher Varianz und gleichem statistischem Gewicht angenähert<br />
(b). Dieser Zustand des Codebuchs wurde auch in Abb. 42 verwendet.<br />
Abbildung 44: Die mit der Load modifizierte<br />
Schätzung A l (kontinuierliche Linie) aus Formel<br />
(4-16) im Vergleich zu p (gepunktet). In einem<br />
einfachen Fall wie diesem lassen sich die Prototypen<br />
der Verteilung gut identifizieren. Die Aktivierungsfunktion<br />
A (gestrichelt) ist dieselbe wie<br />
in Abb. 43b.<br />
4.2.2 Eigenschaften der Phasenübergänge<br />
A<br />
A l<br />
c1 · · · c12<br />
Die Phasenübergangskurve, wie sie in Kapitel 2 charakterisiert wurde, hängt immer<br />
auch vom gelernten Datensatz ab. Da dieser durch den ANTS im Vergleich zum ursprünglichen<br />
verändert wird, muss sich auch die kritische Parameterkurve verändern.<br />
Dabei lassen sich räumliche und zeitliche Aspekte zunächst noch klar trennen, sobald<br />
die Daten jedoch etwas kompliziertere Struktur aufweisen, vermischen sich Raum- und<br />
Zeitskalen wieder, wie die folgenden Beispiele zeigen werden.<br />
Verschiebung in σ-Richtung<br />
Im letzten Abschnitt wurde klar, dass der ANTS den Dichtestumpf p c approximiert,<br />
der wesentlich breiter als die ursprüngliche Dichte ist. Seine Varianz ist also größer<br />
als die <strong>von</strong> p. Dadurch wird die Kurve der kritischen Parameter ebenfalls zu größeren<br />
σ-Werten geschoben, denn zumindest im Bereich τS ≪ 1 findet der Phasenübergang<br />
immer bei Gleichheit <strong>von</strong> σ 2 und der Varianz der zugrundegelegten Verteilung statt.<br />
In Abbildung 45 ist die kritische Parameterkurve eines Beispiels gegeben, welches aus<br />
zwei verrauschten Systemzuständen besteht (wie in Abb. 22 und 42), das jedoch nicht<br />
Markov-artig schaltet, sondern deterministisch wie die Beispiele in Abb. 32. Deshalb<br />
findet man, wenn alle Datenpunkte gelernt werden (α=1), eine ähnliche Kurve kritischer<br />
Parameter wie in Abb. 32. Wieder stimmt sie hervorragend mit den theoretischen<br />
Kurven aus den Abbildungen 30 und 31 überein (hier ist M =20). Wenn dagegen nur<br />
p<br />
(b)