Information Technology Reference
In-Depth Information
Abb. 8.4
Formalisiertes JOONE-Neuron
entsprechend aus, was dazu führt, dass bestimmte Elemente des Musters in der nächst
folgenden Schicht weniger auf die dortigen Neuronen einzuwirken vermögen. Diese Aus-
richtung in Form sogenannter Gewichtsanpassungen stellen sozusagen das Gedächtnis des
neuronalen Netzes dar, d. h. durch das jeweilige Anpassen der Gewichte, die dann in den
Synpasen gespeichert wird, wird das Verhalten des Netzes nicht nur gesteuert, sondern
auch gespeichert. Zusätzlich übernehmen die Synapsen die Funktion, die Muster aus dem
Netz heraus an die unmittelbare Anwendungsumgebung weiterzureichen, indem hierfür
sogar spezielle Synapsen in JOONE vorgesehen wind. Solche Synapsen kann man sich
durchaus bildlich als Daten-Pipelines vorstellen, die bestimmte Inhalte aus dem Inneren
des Netzes an die Außenwelt schleusen (Abb.
8.4
).
In diesem Anwendungsfall soll das neuronale Netz ein einfaches Muster erkennen, das
dem binären booleschen Operation XOR entspricht. Die Wahrheitstabelle der XOR-Ver-
knüpfung sieht dabei wie folgt aus (Tab.
8.1
):
Die XOR-Operation liefert nur dann einen Wahrheitswert von 1 (oder true), wenn X
und Y verschiedene Werte aufweisen. In allen anderen Fällen liefert die XOR-Operation
den Wert 0 (oder false). Um ein neuronales Netz ein solches XOR-Problem lösen zu las-
sen, muss es dazu zunächst entsprechend „ausgebildet“, sprich trainiert werden. In der
Regel werden die Trainingsdaten in Form von Textdateien zur Verfügung gestellt, die
durch spezielle Synapsen namens
FileInputSynapse
eingelesen werden. Eine solche
Trainingsdatei zum Erlernen der XOR-Problematik zeigt folgende Strukur und Inhalt:
Tab. 8.1
Wahrheitstafel XOR
(0 = false und 1 = true)
X
Y
X XOR Y
0
0
0
0
1
1
1
0
1
1
1
0
