Konzeptionalisierung: Naturanaloge Modelle - Cognitive Computing - page 225

• Vergleichsphase
• Suchphase
• Gewichtsanpassungsphase
In der Initialisierungsphase werden die Gewichte der Verbindungen von der Erkennungs-
schicht zur Vergleichsschicht alle auf 1 gesetzt. Hingegen werden die Verbindungen von
der Vergleichsschicht hin zur Erkennungsschicht mit einem reellen Wert belegt, der unter
Nutzung der Dimension der Eingabe m sowie einer Konstante L > 1 berechnet wird. Wei-
terhin wird ein sogenannter Aufmerksamkeitsparameter p initialisiert, der die Toleranz
des Systems regelt. Ein Wert p = 0 führt dazu, dass alle Eingaben als einander ähnlich
betrachtet werden. Alle Eingaben werden in eine Klasse abgebildet. Hingegen sorgt ein
Wert p von 1 dafür, dass jedes Eingabemuster nur zu sich selbst ähnlich ist. In der Erken-
nungsphase wird in einem ART-Netz die Aktivierung eines Neurons nach der sogenannten
2/3-Regel bestimmt. Nach dieser Regel ist das Ergebnis genau dann 1, wenn mindestens
2 der binären Einheiten 1 sind, d. h. f(a, b, c) = 1, falls (a + b + c) ≥ = 2, ansonsten 0. Die
Vergleichsschicht leitet dazu in einem ersten Schritt nur die Eingabe weiter, d. h., der
Vektor S ist identisch zur Eingabe I. Im Vorfeld wird dazu vom Nullvektor als Eingabe
ausgegangen, d. h. I = (0,0,…,0), womit g 2 = 0 und auch der Vektor V sich als Nullvektor
herausstellt. Der Vektor S wird nun nach der 2/3-Regel als Erregung der Neuronen der
Vergleichsschicht ermittelt. Ist nun V der Nullvektor und g 1 = 1, entscheidet die Eingabe
I darüber, welches Neuron der E-Schicht aktiviert wird. Insofern wird S zur Kopie von I.
Nun wird nach der sogenannten Winner-Takes-All-Strategie das Gewinner-Neuron der
Erkennungsschicht ermittelt. Man spricht dann vom Wettbewerbslernen, wenn die Akti-
vierung eines Neurons nicht nur von der eigenen Netzeingabe abhängt, sondern erst ein
Vergleich der Netzeingaben mehrerer, möglichst aller Neuronen, über die endgültige Ak-
tivierung entscheidet. Dabei wird nur der Sieger des „Wettbewerbs“ aktiviert, alle anderen
Neuronen werden deaktiviert. In diesem Sinne ermittelt die Erkennungsschicht E einen
Gewinner. Dabei lassen sich zwei Formen von Wettbewerbslernen unterschieden, je nach
Art der Gewichtsanpassung:
• Beim harten Wettbewerbslernen werden nur die Gewichte im Zusammenhang mit dem
Gewinner-Neuron angepasst. Im Algorithmus entfällt dadurch die Aktion (1). Für Net-
ze mit festen Strukturen entfällt auch die Aktion (2).
• Beim weichen Wettbewerbslernen verändern sich nicht nur die Parameter des Gewin-
ners, sondern auch Parameter anderer Neuronen, meist Neuronen in der Nachbarschaft
des Gewinner-Neurons.
Das Neuron k der F 2 -Schicht gewinnt demnach, falls max(W j * S ) = W k * S. Damit ist nur
das Gewinner-Neuron k aktiviert. Dieses Neuron k besitzt den zur Eingabe I ähnlichsten
Gewichtsvektor W k . Alle anderen Neuronen erhalten den Wert 0.