Zusammenfassung
Im Rahmen dieses Kapitels erfolgt die Darstellung eines neuen Ansatzes zur Analyse von Strukturmodellen mit nichtlinearen Beziehungen zwischen den latenten Variablen mittels eines Multi-Layer-Perceptrons. Auf die Vorstellung seiner Architektur und Aufstellung von Hypothesen über seine Ergebnisse folgt die Diskussion von Detailfragen im Zusammenhang mit der Architektur, den Lernparametern sowie den Daten.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Vgl. zu diesem Abschnitt ZELL (1994), S. 81f, CONRAD (1995), S. 169. Meist wird zudem die Anzahl der Neuronen in der vorgelagerten Schicht so definiert, daß sie den Bias umfaßt. Die zweite Implementierungsart besteht darin, Schwellen als eigenständige Parameter in den Aktivierungsfunktionen zu trainieren.
Vgl. hierzu HRUSCHKA (1991), S. 218. Ein negativer Bias entspricht jedoch nur bei Aktivierungsfunktionen mit Wertebereich im Negativen, z.B. der linearen, einem negativen Absolutglied, nicht aber bei der logistischen Funktion.
Vgl. MAREN/JONES/FRANKLIN (1990), S. 248, MORGAN/BOURLAND (1990), WEISS/KUTIKOWSKI (1991), S. 104, STEINER/WITTKEMPER (1993).
Vgl. WINSTON (1992), S. 467, SARLE (1996), part 3, S. 13f.
Vgl. HERTZ ET Al,. (1991), S. 158–162, BELLIDO/FERNANDEZ (1991), WEIGEND/ RUMELHART/HUBERMAN (1992), BISHOP (1995), S. 333–349.
) Vgl. SARLE (1996), part 3, S. 9. Zum weight pruning vgl. KARNIN (1990), SIETSMA/DOW (1991). Zur Berechnung der Sensitivität vgl. HRUSCHKA (1991), S. 223 und die dort angegebene Literatur. Zum weight decay vgl. WERHOS (1974), ZELL (1994), S. 117.368) Vgl. STFINER/WITTKEMPER (1993), S. 461 und die dort angegebene Literatur. Auf weitere Heuristiken zur Bestimmung der im Sinne der Generalisierungsfähigkeit geeigneten Topologie vgl. SCHONEBURG (1993)
Vgl. SARLE (1996), part 3, S. 13f.
Vgl. HARP ET AL. (1990), KAMEJAMA/KOSUGI (1991), WEIGEND/RUMELHART/HUBERMAN (1992), BELLIDO/FERNANDEZ (1991).
Vgl. z.B. PoDDIG (1994), S. 242f und die dort angegebene Literatur.
Vgl. MOODY/UTANS (1991), SARLE (1996), part 3, S. 14.
Vgl. im folgenden KRAMER (1991), S. 236f.
Vgl. KRAMER (1991), S. 236f.
Vgl. KRAMER(1991), S. 237.
Vgl. hierzu und im folgenden LJUNG (1987), KRAMER (1991), S. 237. Zu Verfahren der Modellselektion in der Regressionsanalyse vgl. z.B. RUST/SCHMITFLEIN (1985), S. 21–26.
Zum Aufbau der Simulationsstudie vgl. KAPITEL 6. Zur Berechnung wurde jeweils der erste Datensatz der Treatmentkombination 4, 8, 12, 16, 20 und 24 verwendet. Der Umfang der Trainingsdaten betrug 300 und der der Testdaten 100 Fälle.
) Vgl. ZELL (1994), S. 113f.
) Vgl. HRUSCHKA(1993), S. 31, NAUCK/KLAwoNN/KRUSE(1994), S. 79.
) Vgl. FREEMAN/SCAPURA (1991), S. 105.
) Vgl. HERTZ ET AL. (1991), S. 124.
) Vgl. HERTZ ET AL. (1991), S. 124 und die dort angegebene Literatur. Zu anderen Vorschlägen vgl. STEINER/ WITTKEMPER (1993).
Vgl. NEURALWARE (1993a), S. UN-64f sowie Kap. 5.4.5.
) Vgl. etwa HERTZ ET AL. (1991), S. 108, 123, STEINER/WITTKEMPER (1993), NAUCK/KLAWONN/KRUSE (1994), S. 79.
Vgl. ERXLEBEN ET AL. (1992), S.1244.
Vgl. HECHT-NIELSEN (1990), S. 115f.
Vgl. hierzu und im folgenden VAN DouwE (1995), S. 121f. Vgl. zum Abbruchkriterium fir LISREL JÖRESKOG/SÒRBOM (1996), S. 327. Zur prozentualen Fehlerhöhe und. Standardvoreinstellung in der nichtlinearen Regression unter SPSS vgl. NORUSIS/SPSS (1993), S. 231.
Zur absoluten Gewichtsänderung vgl. CORSTEN/MAY (1996b), S. 219 und zur relativen NoRusIs/SPSS (1993), S. 231, VAN DOUWE (1995), S. 122 und die dort angegebene Literatur.
Vgl. NEURALWARE (1993b), S. RF-32. Zum RMSE vgl. Kapitel 6.
Vgl. RITTINGHAUS-MAYER (1993), S. 177, RIGOLL(1994), S. 261.
Vgl. NEURALWARE (1993c), S. NC-68.
Vgl. HRUSCHKA (1991), S. 220.
Vgl. NEURALWARE (1993c), S. NC-69.
Vgl. zu diesem Abschnitt HERTZ ET AL. (1991), S. 129f.
Vgl. hierzu HECHT-NIELSEN (1989), S. 2–4, NAUCK/KLAWONN/KRUSE (1994), S. 79, ZELL(1994), S. 111.
Vgl. HRUSCHKA (1993), S. 31, STEINER/WITTKEMPER (1993), FREEMAN/SCAPURA (1991), S. 104.
Vgl. NEURALWARE (1993a), S. UN-64.
Vgl. HERTZ ET AL. (1991), S. 129. So ähnlich auch NEURALWARE (1993a), S. UN-65, ZELL (1994), S. 111.
Vgl. KOHLE (1990), S. 90, ERXLEBEN ET AL. (1992), S. 1246.
Vgl. $TECKEL/VANHONAKER (1993), S. 416, MCCARTHY (1976), S. 596–604, SNEE (1977), S. 420f, PICARD/COOK (1984), S. 578f und die dort jeweils angegebene Literatur zu nichtzufälligen Aufteilungsarten.
Vgl. STECKEL/VANHONAKER (1993), S. 416 und die von ihm betrachteten Studien auf S. 423.
Vgl. COOIL ET AL. (1987), S. 272, PICARD/COOK (1984), S. 576, STECKEUVANHONAKER (1993), S. 416, S. 423 und die dort angegebene Literatur.
Vgl. STECKEUVANHONACKER (1993), S. 416, 420f. Unter groß verstehen die Autoren n=100. Das steht auch im Einklang mit der Faustregel von GREEN/TULL (1982), S. 313.
Vgl. COOIL ET AL. (1987), S. 272, STECKEL/VANHONACKER (1993), S.416, 423 und die dort angegebene Literatur.
Vgl. ODOM/SIIARDA (1990), S. 163–167, ERxLEOEN ET AL. (1992), S. 1240, LOHRSACH (1994), S. 43.
Vgl. PODDIG (1994), S. 235–237.
Vgl. FREEMAN/SCAPURA (1991), S. 103.
Vgl. SNEE(1977), S. 422.
Vgl. WEISS/KUTIKOWSKI (1991), S. 104, MORGAN/BOURLAND (1990), MAREN/ JONES/FRANKLIN (1990), S. 248, SARLE (1996), Part 3, S. 3.
Vgl. WINSTON (1992), S. 467. Zu weiteren Heuristiken vgl. STEINER/WITTKEMPER (1993), S. 461.
Vgl. NEURALWARE (1993b), RF-228, GAUL ET AL. (1994), S. 286. In beiden Quellen finden sich zwar unterschiedliche Formulierungen, die aber äquivalent sind. Zu weiteren Skalierungsarten vgl. SARLE (1996), part 2, S. 19.Vgl. SARLE(1996), S. 20
Zum diesem als Saturation oderflat spots bezeichneten Problem vgl. NEURALWARE (1993a), UN-64, ZELL (1994), S. 116.
Vgl. NEURALWARE (1993a), UN-64f.
Ein weiterer Vorschlag beinhaltet die Skalierung des Eingabebereichs auf [-1,1] sowie die Verwendung der tangens-hyperbolicus-Aktivierungsfunktion, vgl. ZELL (1994), S. 114.
Vgl. SARLE (1996), S. 21. Ein weiterer Grund ist die Skalensensitivität der Gradientabstiegsverfahren wie BP.
Voreinstellung bei Neural Works Il, Vgl. NEURALWARE (1993b), S. RF-40.
Vgl. RUMELHART/HINTON/WILLIAMS (1986), S. 329, GAUL ET AL. (1994), S. 286.
Rights and permissions
Copyright information
© 2001 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Zander, A. (2001). Das autoassoziative MLP als neuer Ansatz zur Analyse von Strukturmodellen mit nichtlinearen Beziehungen zwischen den latenten Variablen. In: Neuronale Netze zur Analyse von nichtlinearen Strukturmodellen mit latenten Variablen. Gabler Edition Wissenschaft. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-322-99297-0_5
Download citation
DOI: https://doi.org/10.1007/978-3-322-99297-0_5
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7259-8
Online ISBN: 978-3-322-99297-0
eBook Packages: Springer Book Archive