Folgende Eigenschaften machen Attraktorennetze nützlich
für die Simulation von kognitiven Prozessen:
Simulation von Latenzzeiten:
Die Reaktionszeit eines Attraktorennetzes kann durch die
Anzahl an Zyklen operationalisiert werden, die erforderlich sind, um zu einem
stabilen Zustand zu gelangen. Die Zeit ist dabei abhängig von
der Gestalt der Schale und der Position innerhalb des
Beckens, wo der Anfangsinput ursprünglich "landete".
Resistenz gegenüber fehlerhaften Input:
Im Attraktionsbassin ist die exakte Position eines
Inputs bezüglich des Erreichens eines Attraktors nicht ausschlaggebend.
Lernen arbiträrer Abbildungen:
Dies ist vermutlich die wichtigste Eigenschaft von
Attraktorennetzen, da viele kognitive Aufgaben aber
auch statistische Auswertungen (z. B. die Diskriminanzanalyse)
solche willkürlichen Abbildungen (mappings) betreffen.
Das Netz kann beliebige Trennlinien zwischen Attraktorenbassins
erlernen. Das Erlernen von arbiträren Abbildungen - man könnte auch sagen: das
Clustern eines Inputraumes - wird
auch von Kompetitiven Netzen und
Kohonennetzen vorgenommen.
Attraktorennetze
