Information Technology Reference
In-Depth Information
Somit lassen sich die beiden charakterisierenden Merkmale selbstorganisierender Netze
angeben:
• Unüberwachtes Lernen: Ohne Vorgabe von gewünschten Ergebnissen für Trainingsda-
ten wird ein klassifizierendes Verhalten erlernt.
• Ausnutzung der räumlichen Anordnung der Neuronen: Neuronen beeinflussen das Ver-
halten benachbarter Neuronen.
Dadurch lassen sich auch in großen Datenmengen Klassifizierungen erkennen, die unter
Umständen bisher nicht bekannt waren. Vor allem im Bereich des Data Mining sieht man
sich mit einer solchen Problemstellung konfrontiert. Darüber hinaus wurden selbstorgani-
sierende Netze auch für Prognose-Aufgaben eingesetzt.
Ein selbstorganisierendes Netz besteht aus zwei Schichten, einer üblichen Eingabe-
schicht und einer sogenannten Karten-Schicht. Die Kartenschicht wird meist zweidimen-
sional und in Form eines quadratischen Aufbaus dargestellt. Aber auch nicht-quadratische
Schichten sind möglich und führen mitunter sogar zu besseren Resultaten. Ebenso mög-
lich ist eine dreidimensionale Aufteilung der Karten-Schicht. Die Neuronen der Eingabe-
schicht sind mit den Neuronen der Kartenschicht voll vernetzt. Jedes Eingabe-Neuron hat
je eine Verbindung zu jedem Neuron der Kartenschicht. Die Neuronen der Karten-Schicht
sind untereinander vollständig verbunden. Während des Trainings werden die Daten in
ungeordneter Reihenfolge dem Netz immer und immer wieder präsentiert. Die Adaption
des Netzes erfolgt dann in der Weise, dass sich für die Musterklassen zugehörige Erre-
gungszentren herauskristallisieren. Ein Erregungszentrum ist ein Neuron innerhalb der
Kartenschicht, das für alle Eingabe-Muster erregt oder aktiv ist, die einander in einem ge-
wissen Sinne ähnlich sind. Insofern handelt es sich bei dem Erregungszentrum um einen
Repräsentanten einer Klasse von Daten (Abb.
4.16
).
