Zusammenfassung
Wozu braucht man asymmetrische Netze? Symmetrische Hopfield-Netze, wie wir sie in den letzten Versuchen kennengelernt haben, sind in gewissen Grenzen gute Assoziativspeicher: Ein Vektor s, der einem Muster x µ ähnlich ist, wird angelegt, und die Netzdynamik sorgt für die Assoziation von x µ (zuweilen mit kleinen Fehlern). Dies reicht in bestimmten Fällen nicht aus, z.B. wenn man Musterfolgen assoziativ speichern oder Zählfunktionen mit neuronalen Netzen implementieren möchte. Dann bietet sich asymmetrisches Lernen an, das eine Projektion ins nächste Muster einer Folge explizit enthält (vgl. Gl.(2)). Dabei wird ebenfalls ein Vektor s, der einem Muster x µ ähnlich ist, angelegt, und die Netzdynamik sorgt für die Assoziation ins darauf folgende Muster x µ+1. Bei symmetrischen Netzen war die Hebb-Regel
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1996 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Braun, H., Feulner, J., Malaka, R. (1996). Asymmetrische Netze. In: Praktikum Neuronale Netze. Springer-Lehrbuch. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-61000-4_8
Download citation
DOI: https://doi.org/10.1007/978-3-642-61000-4_8
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-60030-5
Online ISBN: 978-3-642-61000-4
eBook Packages: Springer Book Archive