Pattern Associator

Der Pattern Associator ist ein Netztyp, der Muster erkennen kann, die er zuvor gelernt hat. Dabei lernt das neuronale Netz Assoziationen zwischen verschiedenen Reizpaaren zu bilden (Stichwort "Klassische Konditionierung").

Beim Pattern Associator existieren keine Hidden-Units, d. h. das neuronale Netz besteht hier lediglich aus zwei Schichten, einer Input-Schicht und einer Output-Schicht (siehe Abbildung 13).

Die Trainingsphase - das Lernen verschiedener Reize - kann entweder mit der Hebb-Regel vorgenommen werden oder aber mit der Delta-Regel.

Eigenschaften

Der Pattern Associator verfügt über eine Reihe wünschenswerter Eigenschaften (vgl. auch das Kapitel Eigenschaften neuronaler Netze):

• Generalisierung: Wie bei der klassischen Konditionierung erfolgt eine Generalisierung (aber auch eine Diskrimination) verschiedener Reize. Dabei werden ähnliche Reize zur selben Reizgruppe kategorisiert. Beispielsweise kann man verschiedene Hunderassen als Patterns zur Gruppe "Hunde" klassifizieren. Ein Problem bei der Generalisierung kann die entstehende "Übergeneralisierung" sein. Dabei werden ähnliche Reize, die jedoch unterschiedlichen Kategorien angehören, einer einzigen Kategorie zugeordnet. Zum Beispiel ist es falsch, Forellen, Delphine, Barsche und Heringe der Kategorie "Fisch" zuzuordnen.
• Toleranz gegenüber internen Schäden: Hiermit ist gemeint, dass trotz innerer Schäden des neuronalen Netzes (z. B. durch das Absterben einzelner Neuronen oder Verbindungen zwischen Neuronen) dieses oftmals dennoch den richtigen Output produziert.
• Toleranz gegenüber externen Schäden: Auch bei unvollständigem oder fehlerhaftem Input gelingt es dem neuronalen Netz, das Muster zu identifizieren (z. B. kann man ein Gesicht meistens auch erkennen selbst wenn die Nase verdeckt ist).
• Output der zentralen Tendenz bzw. des Prototypen der Kategorie: Bei mehreren gelernten Inputmustern bildet der Pattern Associator einen Prototypen der verschiedenen Muster aus. Eine Eigenschaft, die auch für Menschen typisch ist.