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.
Kapitel 5<br />
Zusammenfassung und Ergebnisse<br />
der Arbeit<br />
Das Ziel dieser Arbeit war, ausgehend <strong>von</strong> den bereits bestehenden Methoden zur<br />
Bildung effektiver Modelle <strong>von</strong> randomisierten Datensätzen, ein Verfahren zu finden,<br />
das auch die Verarbeitung <strong>von</strong> on-line Datenströmen ermöglicht.<br />
In der Einleitung wurde zunächst kurz beschrieben, dass viele Lernmodelle der Neuroinformatik<br />
Mittelwertsbildungen durchführen. Daraufhin konnte bereits anhand des<br />
einfachsten Beispiels vorgeführt werden, dass solche Mittelwertsbildungen immer Probleme<br />
mit der Verarbeitung <strong>von</strong> on-line Daten haben müssen. Die Schwierigkeit des<br />
on-line Lernens äußerte sich in diesem Zusammenhang als das ständige Nachfolgen des<br />
gleitenden Mittelwertes hinter den Zuständen des Datengenerators. Diese Eigenschaft<br />
des Lernverfahrens wurde als die Kopplung der Lerndynamik an die Systemdynamik<br />
bezeichnet.<br />
In Kapitel 1 wurde das multivar-Netzwerk mit den zugehörigen Lernregeln eingeführt,<br />
die den Ausgangspunkt der nachfolgenden Untersuchungen darstellen. Im ersten Abschnitt<br />
des Kapitels wurde deutlich, dass es sich dabei um einen Algorithmus zur<br />
Approximation der Verteilungsdichte des Datensatzes handelt. Bei Vorgabe der räumlichen<br />
Skala σ, auf der diese Schätzung geschieht, bekommt er gleichzeitig die Eigenschaft<br />
eines Clusteringalgorithmus. Diese ist <strong>von</strong> besonderem Interesse für den Rest<br />
der Arbeit, da sie besonders anfällig gegen die Effekte der dynamischen Kopplung ist.<br />
Die Eigenschaften des univar-Algorithmus, der dieses Clustering durchführt, sind wegen<br />
der verwendeten Funktionenklassen, den Normalverteilungen, in einer wie in sehr<br />
vielen Dimensionen völlig gleich. Es reichte daher in den folgenden Kapiteln aus, seine<br />
Eigenschaften an ein- oder zweidimensionalen Datensätzen zu demonstrieren.<br />
Im zweiten Abschnitt <strong>von</strong> Kapitel 1 wurde versucht, die Lernregel des univar aus biologischen<br />
Tatsachen zu motivieren. Dabei wurde klar, dass es sich hierbei um ein sehr<br />
stark abstrahiertes Modell für die Reizverarbeitung in Gehirnen biologischer Lebewesen<br />
handelt. Dieser Abschnitt diente als Anknüpfungspunkt für die später anhand der<br />
Aplysia in Kapitel 3 vorgenommenen Modifikationen am univar-Algorithmus, die seine<br />
on-line Lerneigenschaften möglich machen sollten.<br />
In Kapitel 2 wurde das dynamische Verhalten des univar-Algorithmus untersucht, der