Information Technology Reference
In-Depth Information
Abb. 4.15
Elman-Netz
trainierbaren Verbindungen vorwärts gerichtet, sodass zum Trainieren der Backpropaga-
tion-Lernalgorithmus angewendet werden kann. Die Kontext-Neuronen können durch-
aus zusätzliche Rückkopplungen zu sich selbst aufweisen, womit der Einfluss der älteren
Muster gesteuert werden kann. Die Stärke des Erinnerungsfaktors wird dabei durch einen
vorgegebenen, festen Faktor l gesteuert. Da die Zahl der Ausgabe-Neuronen durch das zu
lösende Problem terminiert wird, liegt damit in einem Jordan-Netze die Zahl der Kontext-
Neuronen fest. Dies kann unter Umständen zu Einschränkungen in den Rückkopplungen
führen (Abb.
4.15
).
Um hier etwas flexibler zu sein, lassen sich die Rückkopplungen anstelle von der Aus-
gabeschicht auch von der inneren Schicht aus ansteuern. Das so entstehende
Elman-Netz
benutzt dabei so viele Kontext-Neuronen, wie Neuronen in der inneren Schicht vorhanden
sind. Die Größe der inneren Schicht kann dabei leichter variiert werden, da diese nicht
direkt aus der Problemstellung heraus festgelegt ist. Dies führt letztlich dazu, dass die Zahl
der Kontext-Neuronen leichter als bei Jordan-Netzen geändert werden kann, was oftmals
dazu führt, dass sich mit Elman-Netzen bessere Resultate als mit Jordan-Netzen erzielen
lassen.
Selbstorganisierende Netze
, auch als selbstorganisierte Karten (Self-Organizing Maps)
oder nach ihrem Entwickler
Kohonen-Karten
bezeichnet, sind eine Form von Netzen, die
in der Lage sind, ein klassifizierendes Verhalten ohne vorgegebene Trainingsausgaben zu
erlernen. Motiviert wird dies durch das menschliche Vorbild, wo viele Dinge sich unter-
scheiden oder zusammenfassen lassen, ohne dass vorher explizit gesagt wurde, was richtig
ist. So ist auch der Mensch in der Lage zu klassifizieren. Solche Neuronalen Netze werden
vor allem in den Problembereichen angewendet, in denen für vorliegende Eingabedaten
keine zugehörigen, wünschenswerten Ausgabewerte exakt angegeben werden können.
