Modellierung lernender Systeme durch Neuronale Netze (NN) - Modellierung komplexer Prozesse durch naturanaloge Verfahren - page 133

4.3 Modelle des nicht überwachten bzw. selbstorganisierten Lernens

Für praktische Anwendungen ist es immer die Ausgangsfrage, ob man entweder mit überwacht
lernenden Netzen oder mit nicht überwacht lernenden arbeiten will bzw. muss. Für den ersten
Anwendungsfall reichen einschlägige feed forward Netze praktisch immer aus; wir haben uns
deswegen auch in den bisherigen Darstellungen vor allem auf diese Netze konzentriert. Für
nicht überwachtes Lernen wurde bisher vorwiegend die Kohonen-Karte (SOM = Self
Organazing Map) eingesetzt; als Alternative für bestimmte Anwendungen haben wir in der
letzten Zeit das Self Enforcing Network (SEN) konstruiert, das sich in zahlreichen Anwen-
dungsfällen bereits bewährt hat. Da bisher der Typus des überwachten Lernens im Vorder-
grund stand, wenden wir uns nun dem nicht minder wichtigen Typus des nicht überwachten
bzw. selbstorganisierten Lernens zu und stellen die beiden entsprechenden Netzwerkmodelle
näher dar.

Selbstorganisierende Karte
Das nicht überwachte bzw. selbstorganisierte Lernen, wie wir im Folgenden häufig sagen wer-
den, findet ohne direkte Rückmeldung statt, im Gegensatz zum überwachten oder auch dem
verstärkenden Lernen. Natürlich muss auch beim selbstorganisierten Lernen das Ergebnis der
Lernprozesse immer wieder auf dessen Plausibilität hin überprüft werden, aber vergleichbar
wie bei Zellularautomaten operieren die selbstorganisiert lernenden Systeme gewissermaßen
nur nach systemimmanenten Kriterien. Ob die Ergebnisse sinnvoll sind, kann nachträglich
durch eine externe Evaluation festgestellt werden; die Logik der selbstorganisierten Lern-
prozesse bleibt davon jedoch unbeeinflusst.
Das wichtigste und praktisch am häufigsten verwendete Netzwerkmodell, das nach dem Prin-
zip des nicht überwachten Lernens operiert, ist die mehrfach erwähnte Kohonen-Karte bzw.
Selbstorganisierende Karte (self organizing map = SOM).
Bei der Kohonen-Karte handelt es sich um einen zweischichtigen Musterassoziierer, nämlich
der Inputschicht und dem sog. Kohonen-Gitter, wobei im Gegensatz zu den bisher betrachteten
Modellen keine explizite Vorgabe in Form eines Zielvektors existiert. Das bedeutet, dass das
Netzwerk eine interne Selbstorganisation durchführt, die vom Benutzer nicht direkt vorgege-
ben wird.
Da der Algorithmus insgesamt sehr umfangreich und nicht ganz einfach zu verstehen ist, wer-
den hier lediglich die wesentlichen Aspekte dargestellt. Die Beispiele in diesem Kapitel und
dem über hybride Systeme zu Anwendungen von SOM veranschaulichen die Operationsweise
noch zusätzlich etwas.
Gegeben seien Eingabevektoren, die nach bestimmten Kriterien abgebildet werden sollen. Das
Lernen in der SOM findet nun dadurch statt, dass ein n-dimensionaler Eingabevektor X =
(x 1 ,...,x n ) vollständig mit jedem Neuron der Kohonenschicht verbunden ist und über entspre-
chende Gewichtsvektoren W j = (w 1j ,...,w nj ) verfügt. Zu beachten ist also, dass der Eingabevek-
tor nicht, wie bei anderen Netzwerktypen möglich, als die eigentliche Eingabeschicht fungiert.
Diese ist die Kohonen-Schicht, die gleichzeitig als Ausgabeschicht fungiert. Wir haben dem-
nach hier streng genommen ein einschichtiges Netzwerk, das zusätzlich mit einem Eingabevek-
tor verknüpft ist.
Die Propagierungsfunktion lautet:
net j = ¦w ij * o i + T j ,

(4.19)