Diplomarbeit von Michael Schindler

Weitere Magazine

Empfehlungen

Info

94 4. Neuigkeitsorientiertes Lernen Bei allen Untersuchungen zum räumlichen und zeitlichen Verhalten des ANTS wurde festgestellt, dass das Ziel, die Modifikation des zeitlichen Systemverhaltens, nicht erreicht werden konnte, ohne auch die räumlichen Eigenschaften zu verändern. Statt der Verteilungsdichte p wird hier ihr Stumpf p c gelernt. Hiermit ist erneut ein Hinweis darauf gegeben, dass jedes Verfahren zur Verarbeitung von on-line Datenströmen notwendigerweise eine kombinierte räumliche und zeitliche Beschreibung fordert. Einen ersten Hinweis hatten wir bereits in Kapitel 2 gesehen, wo sich der Zusammenhang zwischen Raum- und Zeitskalen in Form der Phasenübergangskurve zeigte.
Kapitel 5 Zusammenfassung und Ergebnisse der Arbeit Das Ziel dieser Arbeit war, ausgehend von den bereits bestehenden Methoden zur Bildung effektiver Modelle von randomisierten Datensätzen, ein Verfahren zu finden, das auch die Verarbeitung von on-line Datenströmen ermöglicht. In der Einleitung wurde zunächst kurz beschrieben, dass viele Lernmodelle der Neuroinformatik Mittelwertsbildungen durchführen. Daraufhin konnte bereits anhand des einfachsten Beispiels vorgeführt werden, dass solche Mittelwertsbildungen immer Probleme mit der Verarbeitung von on-line Daten haben müssen. Die Schwierigkeit des on-line Lernens äußerte sich in diesem Zusammenhang als das ständige Nachfolgen des gleitenden Mittelwertes hinter den Zuständen des Datengenerators. Diese Eigenschaft des Lernverfahrens wurde als die Kopplung der Lerndynamik an die Systemdynamik bezeichnet. In Kapitel 1 wurde das multivar-Netzwerk mit den zugehörigen Lernregeln eingeführt, die den Ausgangspunkt der nachfolgenden Untersuchungen darstellen. Im ersten Abschnitt des Kapitels wurde deutlich, dass es sich dabei um einen Algorithmus zur Approximation der Verteilungsdichte des Datensatzes handelt. Bei Vorgabe der räumlichen Skala σ, auf der diese Schätzung geschieht, bekommt er gleichzeitig die Eigenschaft eines Clusteringalgorithmus. Diese ist von besonderem Interesse für den Rest der Arbeit, da sie besonders anfällig gegen die Effekte der dynamischen Kopplung ist. Die Eigenschaften des univar-Algorithmus, der dieses Clustering durchführt, sind wegen der verwendeten Funktionenklassen, den Normalverteilungen, in einer wie in sehr vielen Dimensionen völlig gleich. Es reichte daher in den folgenden Kapiteln aus, seine Eigenschaften an ein- oder zweidimensionalen Datensätzen zu demonstrieren. Im zweiten Abschnitt von Kapitel 1 wurde versucht, die Lernregel des univar aus biologischen Tatsachen zu motivieren. Dabei wurde klar, dass es sich hierbei um ein sehr stark abstrahiertes Modell für die Reizverarbeitung in Gehirnen biologischer Lebewesen handelt. Dieser Abschnitt diente als Anknüpfungspunkt für die später anhand der Aplysia in Kapitel 3 vorgenommenen Modifikationen am univar-Algorithmus, die seine on-line Lerneigenschaften möglich machen sollten. In Kapitel 2 wurde das dynamische Verhalten des univar-Algorithmus untersucht, der
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 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?