Neuronale Netze
Eine Einführung
  • Grundlagen
  • Lernregeln
  • Netztypen
  • Eigenschaften
  • Anwendungen
  • Sonstiges
  • Pattern Associator
  • Rekurrente Netze
  • Kompetitive Netze
  • Kohonennetze
  • Zusammenfassung
  • Was sind Kohonennetze?
  • Aufbau
  • Berechnung
  • Wichtige Parameter
  • Anwendungsmöglichkeiten
NetztypenLayout elementKohonennetzeLayout elementWichtige Parameter
Seite 32/63
BerechnungBerechnung
  AnwendungsmöglichkeitenAnwendungsmöglichkeiten

Kohonennetze / Selforganizing Maps

Wichtige Parameter

Wichtige Parameter: Kohonennetze

Damit das Netz einen stabilen Zustand erreichen kann (also etwas lernt), sind folgende Aspekte wichtig:

  • Zähler: Anzahl der Durchläufe (also, wie viele Inputvektoren dem Netz dargeboten und damit, wie oft Gewichtsmodifikationen vorgenommen werden)
  • Radius der Nachbarschaft: Größe der bei Gewichtsanpassungen berücksichtigten Nachbarschaft
  • Lernparameter: bestimmt, wie stark die Gewichte zwischen den Input-Units und den betroffenen Output-Units verändert werden
  • Matrixgröße: Anzahl der Outputneuronen: Je mehr Output-Units das Kohonennetz umfasst, desto genauer kann eine Clusterung des Inputraumes vorgenommen werden
  • Form der Nachbarschaftsfunktion: Die Nachbarschaftsfunktion bestimmt, in welcher Weise benachbarte Neuronen von Gewichtsveränderungen betroffen sind. Beispielsweise kann die Stärke der Veränderung mit zunehmender Distanz vom Gewinner linear oder exponentiell abnehmen
  • Art und Weise, wie die oben genannten Parameter (Lernparameter, Radiusgröße, Nachbarschaftsfunktion) im Lerndurchgang verändert werden
  • Dimension (2-dimensional, 3-dimensional, ..., n-dimensional) des Kohonennetzes
BerechnungBerechnung
  AnwendungsmöglichkeitenAnwendungsmöglichkeiten

Anregungen, Fragen und Fehler an: Mailadresse: 'mail at neuronalesnetz.de'

  • Impressum
  • Druckversion
  • Sachverzeichnis
  • Links