Information Technology Reference
In-Depth Information
Abb. 4.10
Funktionale Ausgestaltung eines neuronalen Netzes
Nach diesem Modell kann ein Neuronales Netz als eine Funktion F interpretiert wer-
den, die für die Eingabe (x
1
…x
n
) evaluiert wird. An den Neuronen werden elementare
Funktionen f
1
,…f
n
berechnet. Die Komposition dieser Neuronen kann durch gewichtete
Verbindungen und/oder durch eine Verarbeitungsfunktion realisiert werden und definiert
damit das gesamte Netz und damit dessen Funktion F. An diesem Modell lassen sich eini-
ge Strukturelemente erkennen, die in nahezu allen Neuronalen Netzen vorkommen:
• Als
Eingabe-Neuron
en werden Neuronen bezeichnet, falls es keine gerichtete Verbin-
dung zu diesen Neuronen gibt. Die Eingabeschicht (input layer) besteht aus der Menge
aller Eingabe-Neuronen eines Netzes.
• Die
Ausgabe-Neuronen
stellen mit ihren Ausgabewerten das Ergebnis der Verarbeitung
dar. Die Ausgabe-Neuronen sind in der Ausgabeschicht (output layer) zusammenge-
fasst.
• Neuronen, die weder zu der Eingabe- noch zur Ausgabeschicht gehören, sind
verdeckte
Neuronen
, die unter Umständen auf mehrere verdeckte Schichten (hidden layer) ver-
teilt sein können.
Unabhängig von der jeweiligen Architektur durchläuft die Entwicklung eines Neuronalen
Netzes mehrere Zyklen. Ausgehend von der jeweiligen Problemstellung wird zunächst
eine Netzarchitektur aufgebaut. Für die erfolgreiche Entwicklung ist oftmals eine aus-
reichende Zahl von Trainingsdaten erforderlich. Ein weiterer finaler Trainingssatz wird
zur Verifikation der Generalisierungsfähigkeit des Netzes herangezogen. Hierbei wird er-
mittelt, wie das trainierte Netz auf bis dahin unbekannte Eingaben reagiert. Sollten die Er-
gebnisse nicht den Anforderungen entsprechen, müssen weitere Versuche mit veränderten
Netzparametern unternommen werden. Schlimmstenfalls können neben der Änderung der
Lernparameter auch die Wahl des Lernalgorithmus oder sogar die Änderung der Netz-
architektur angesagt sein (Abb.
4.11
).
