Zusammenfassung
Mit Hilfe des Wettbewerbslernens läßt sich durch nicht-überwachtes Lernen eine Einteilung eines Datensatzes in verschiedene Klassen erreichen. Jedes Neuron der Wettbewerbsschicht ist für die Erkennung jeweils einer Klasse von Daten zuständig. Die zu klassifizierenden Daten liegen als Vektoren im ℝn vor. Diese Vektorraumstruktur wird benötigt, um ein Übereinstimmungs- oder Ähnlichkeitsmaß für die Daten definieren zu können. Dieses Ähnlichkeitsmaß für die Daten induziert ein Ähnlichkeitsmaß für die Klassen. Man betrachte etwa den im Bild 7.1 dargestellten Datensatz. Es ist offensichtlich, daß die Daten entlang einer parabelförmigen Kurve gestreut sind. Wir können hier nicht nur von näher beieinander oder weiter voneinander entfernt liegenden Clustern oder Klassen sprechen, sondern sogar eine Nachbarschaftsbeziehung zwischen den einzelnen Clustern erkennen. Ein Neuronales Netz, das diese Daten auf der Basis des Wettbewerbslernens klassifizieren soll, besitzt keine Möglichkeit, diese Nachbarschaftsbeziehungen zu repräsentieren, da die Wettbewerbsschicht aus einer strukturlosen Menge von Neuronen besteht.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Rights and permissions
Copyright information
© 1994 Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden
About this chapter
Cite this chapter
Nauck, D., Klawonn, F., Kruse, R. (1994). Selbstorganisierende Karten. In: Neuronale Netze und Fuzzy-Systeme. Artificial Intelligence / Künstliche Intelligenz, vol 1. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-85993-8_8
Download citation
DOI: https://doi.org/10.1007/978-3-322-85993-8_8
Publisher Name: Vieweg+Teubner Verlag
Print ISBN: 978-3-528-05265-2
Online ISBN: 978-3-322-85993-8
eBook Packages: Springer Book Archive