Information Technology Reference
In-Depth Information
gebnis einen Wahrheitswert zu liefern. Daher hat die Eingabeschicht zwei Neuronen, die
versteckte Schicht drei versteckte Neuronen und die Ausgabeschicht ein Neuron.
Um die Neuronenschichten auch verwenden zu können, müssen sie mit Synapsen aus-
gestattet werden. Die folgende Implementierungssequenz sieht gleich mehrere Synapsen
vor.
FullSynapse synapse_IH = new FullSynapse();
FullSynapse synapse_HO = new FullSynapse();
synapse_IH.setName("IH");
synapse_HO.setName("HO");
Zuletzt müssen die Synapsen an die entsprechenden Neuronenschichten angedockt wer-
den.
input.addOutputSynapse(synapse_IH);
hidden.addInputSynapse(synapse_IH);
hidden.addOutputSynapse(synapse_HO);
output.addInputSynapse(synapse_HO);
Nachdem das neuronale Netz konstruiert ist, gilt es, ein Monitorobjekt zu implementieren,
mit dessen Hilfe das Netz entsprechend der Parametrisierung ausgesteuert werden kann.
Monitor monitor = nnet.getMonitor();
monitor.setLearningRate(0.8);
monitor.setMomentum(0.3);
Das Lerntempo wird durch die Methode
setLearningRate()
und der Impuls durch
setMomentum()
festgelegt, beides Parameter, die wesentlich das Lernverhalten des
neuronalen Netzes prägen. JOONE verwendet die Backpropagation Lernmethode. Bezüg-
lich der Ausgestaltung des Lernverhaltens gilt es zu experimentieren und Erfahrungswerte
zu sammeln. Dieses Monitorobjekt kann nun jeder Neuronenschicht dediziert zugeordnet
werden.
input.setMonitor(monitor);
hidden.setMonitor(monitor);
output.setMonitor(monitor);
Wie viele der Java-Objekte ermöglicht JOONE auch das Hinzuziehen von
Listener
-
Objekten, um beispielsweise den Anwender über den Fortschrittsgrad des Lernvorgangs
zu informieren.
monitor.addNeuralNetListener(this);
