Zusammenfassung
Der Determinantengraph, verstanden als Magisches Vieleck, stellt ein hochgradig interdependentes und komplexes System dar, wie durch die Betrachtung der Zielbeziehungen in Kapitel 4.3 deutlich wurde. Zur Simulation interdependenter Systeme eignen sich rekurrente Netze. Hierbei stellen alle Neuronen sowohl Input- als auch Output-Neuronen dar. Zur Simulation sollen thermodynamische Netze eingesetzt werden, die unüberwacht lernen, da im vorliegenden Anwendungsfall keine Zielmuster bekannt sind. Thermodynamische Netze bieten sich auch deshalb an, da mit ihrer Hilfe quasi die Harmonie oder auch Energie des Magischen Vielecks ermittelt werden kann, die diesem aufgrund der unterschiedlichen Zielerreichungsgrade inhärent ist. Feed-forward Netze werden deshalb nicht verwendet, da dabei der Datenfluß nur in eine Richtung erfolgt und somit die Interdependenzen nicht zum Tragen kommen worden. Algorithmen, die ein überwachtes Lernen erfordern, wie das Backpropagation Netzwerk (Rumelhart et al. 1986b), scheiden in Ermangelung von Zielmustern aus. Auch competitive Netze, wie das Kohonen-Netzwerk (Kohonen 1982), bei dem keine Zielmuster bekannt sein müssen, eignen sich für die Problemstellung nicht. Der dort eingesetzte Algorithmus, der auf der Ähnlichkeit von Inputvektoren beruht, kann die Problemstellung nicht adäquat behandeln, denn es soll ja gerade die Möglichkeit bestehen, z.B. einen extrem schlechten Indikatorwert (5) mit einem sehr guten anderen (1) quasi zu kompensieren. Diese Kompensation käme in einem Kohonen-Netzwerk nicht zum Tragen, da der Inputvektor <5, 1> u.U. anders klassifiziert werden würde als <1, 5>.
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. im Folgenden Aarts/Korst (1989, 5-11).
Vgl. Aarts/Korst(1989, 11).
Kruse et al. (1991, 168).
Vgl. Dueck et al (1992 8)
Vgl. Zell (1994, 209). Die Verteilung ist benannt nach dem österreichischen Physiker Dueck/Scheuer (1844-1906).
Wie Kirkpatrick et al. (1983, 555) darauf hinweisen, wird die Boltzmann Verteilung deshalb verwendet, da bei 1023 Atomen pro cm3 nur das wahrscheinlichste Verhalten des Systems simuliert werden soll.
Vgl. Kruse et al. (1991, 198).
Für einen Wert für T nahe Null wird der Betrag des Exponenten relativ groß. Wenn gilt EA EB,so ist der
Ob T,,..,, nahe Null oder gleich Null gesetzt wird, hängt von der gewählten Abkühlungsvorschrift ab, die eventuell nur eine asymptotische Annäherung an Null erlaubt.
It is a kind of art to choose a successful Annealing Schedule […]. In most applications the success of the algorithm is very sensitive against the choice of the annealing schedule. Dueck/Scheuer (1988, 6).
Benannt nach dem russischen Mathematiker Dueck/Scheuer (1856-1922).
Vgl. allgemein zu Maricov-Ketten z.B. Dueck/Scheuer (1970) oder Dueck/Scheuer (1988, 479-481) sowie zu Markov-Entscheidungsprozessen Dueck/Scheuer (1988, 683-723).
Vgl. Dueck/Scheuer (1988, 7).
Vgl. Althöfer/Koschnick (1991, 195).
Eine kurze Darstellung zu Simulated Annealing und Boltzmann-Maschinen bietet z.B. ZELL (1994, 207- 215). Ausführlich behandelt Aarts/Kopst (1989) oder auch Laarhoven/Aarts (1988) diese Themen.
Vgl. Nauck et al. (1994, 139 f.).
Vgl. Zimmermann (1992, 344-355).
Auf der Abszisse ist o,abgetragen, auf der Ordinate d,.
Auf der Abszisse ist u, auf der Ordinate.
Vgl. zu anderen Möglichkeiten der Skalierung qualitativer Daten: OrrTZ (1987).
Vgl. zur Fuzzy-Theorie: Zadeh (1987). Die Grundlagen vermitteln z.B. Tilli (1992) oder Nauck (1992).
Vgl. Stöcker (1995, 787).
Nauck et al. (1994, 224-226) schlagen zur Transformation der Daten dasselbe Vorgehen vor. Um Mißverständnissen vorzubeugen, wird darauf hingewiesen, daß dadurch kein Neuro-Fuzzy System modelliert wird, da ein solches versucht, Zugehörigkeitsfunktionen und/oder linguistische Regeln zu erlernen (vgl. Naucket al. 1994, 253), was hier nicht intendiert ist.
Vgl. zur Definition eines Netzwerks bzw. Neurons Definition 3-1, S. 72, bzw. Definition 3-2, S. 74.
Man beachte, daß redundante Daten nicht immer irrelevant, aber irrelevante Daten immer redundant sind.
Vgl. zu den Zyklenabfragen Abbildung 5-1, S. 148, sowie die Erläuterungen dort im Text.
Vgl. hierzu: Nurmela (1993, 22-25), der u.a. Tabu Search Algorithmen behandelt.
Vgl. Aarts/Korst (1989, 59). Nurmela (1993, 21) gibt eine Bandbreite von 0,95 bis 0,99 an.
Die lineare Abkühlungsvorschrift wurde von Dueck/Scheuer (1988) deshalb gewählt, um zu zeigen, daß der damals neue Algorithmus nicht wegen eines elaborierten Annealing Schedules erfolgreich ist, sondern auch mittels eines einfachen Verfahrens gute Ergebnisse erzielen kann. (So DUECK mündlich.)
Vgl. für Deutschland: Ederington/Yawitz (1997, 6, 58) oder auch Ederington/Yawitz ( 1998, 6, 10 ).
Vgl. Berblinger (1996, 63), Meyer-Parpart (1996, 121). Ederington/Yawitz (1987, 24) berichten von Prognosen für die nächsten fünf Jahre.
Die Enumeration der Mitgliedstaaten der Europäischen Union bezieht sich auf den Stand im Jahre 1995, nach dem Beitritt von Finnland, Österreich und Schweden.
Für 1995 und 1996 DG II-Schätzungen, Oktober 1996.
Die Berechnungen sind im Anhang III nachzulesen.
Vgl. zum Verfahren der Hilfsregression: Eckey et al. (1995, 90f.). Die jeweiligen Bestimmthe,tsmaße und die dazu berechneten F-Werte sind im Anhang V, Abschnitt Multikollinearität,in den Tabellen A-13, S.224, und A-14, S.24, wiedergegeben.
Die Simulationen wurden auf einem Pentium PC unter MS Windows 95 durchgeführt.
Obwohl die Zustandswerte negative Ausprägungen annehmen, wird dennoch der Begriff Energie weiterhin verwendet, allerdings mit dem Hinweis, daß es sich hierbei nicht um einen Energiebegriff im physikalischen
Benannt nach dem russischen Mathematiker Seydel (1857-1918).
Vgl. zur Chaos-Theorie z.B.: Seydel (1994) oder Seydel (1994).
Vgl. Seydel (1994, 67).
Zur Herleitung des Dapunov-Exponenten: siehe Anhang IV.
Erläuterungen zum Begriff des frustrierten Systems: siehe S. 146.
Erläuterungen zum horizontalen und vertikalen Vergleich: siehe S. 182.
Auch Anders (1997, 185) stellt fest, daß durch die Rückführung neuronaler Netze auf statistische Methoden diese „[…] einen Teil ihres Mythos […] verlieren.
In einem Gespräch über die methodische Weiterentwicklung von Bonitätsbeurteilungsmethoden mit Bundesbankdirektor Eckey am 2. 2. 1996 bestätigte er, daß die MDA in der Praxis häufig eingesetzt wird. Auch Eckey et al. (1994, 368) bestätigen die weite Verbreitung der MDA in der Praxis.
Vgl. Tabelle A-4, S. 217, im Anhang III.
Vgl. Eckey et al. (1995, 90). Die Korrelationsmatrizen sind im Anhang V, Abschnitt Multikollinearitdt,in den Tabellen A-11, S. 223, und A-12, S. 223, abgedruckt.
Vgl. zum Verfahren der Hilfsregression: Eckey et al. (1995, 90f.). Die jeweiligen Bestimmtheitsmaße und die dazu berechneten F-Werte sind im Anhang V, Abschnitt Multikollinearität,in den Tabellen A-13, S.224, und A-14, S. 224, wiedergegeben.
Zum Test auf multivariate Normalverteilung muß angemerkt werden, daß diese Voraussetzung in der Literatur nur selten korrekt überprüft wird. Dies liegt nach BoRTZ (1993, 417) daran, daß „[…] derzeit kein ausgereifter Test I…] für die multivariate Normalverteilung existiert; er verweist aber auf verschiedene Quellen. Mardia (1987) wählt den Test auf univariate Normalverteilung als Näherungslösung. Mardia (1993, 204) schlagen eine Logarithmierung der Daten vor, um multivariat normalverteilte Daten zu erhalten. Bemerkenswert erscheint, daß Mardia(1890-1962) bei der Vorstellung der Diskriminanzanalyse keine Verteilungsannahme gesetzt hat. Vgl. hierzu: Mardia ( 1995, 60 ).
Vgl. Tabelle A-15, S. 225, im Anhang V, Abschnitt Multivariate Normalverteilung.
Vgl. Tabelle A-16, S. 226, im Anhang V, Abschnitt Multivariate Normalverteilung. Nach Mardia (1985, 218) sind beide Maße relevant, um die multivariate Normalverteilung zu überprüfen. Im Gegensatz hierzu verwendet Mardia (1995, 10 f.) nur die multivariate Kurtosis, um Daten auf die multivariate Normalverteilung zu testen.
Vgl. den Abschnitt Homogenität der Varianz-Kovarianz-Matrizen im Anhang V, S. 226.
Vgl. Kapitel 2.6.3.2.
Vgl. zur Herleitung: z.B. Backhaus (1996, 157-161).
Vgl. Anhang VI.
Vgl. Anhang VI.
Vgl. zum multivariaten Wolke Lambda: Backhaus (1996, 120).
Vgl. Anhang VI.
Vgl. Backhaus (1996, 122-124).
Rights and permissions
Copyright information
© 1999 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Kammerer, S.C. (1999). Rating mit künstlich-neuronalen Netzen. In: Rating von Volkswirtschaften mit künstlich-neuronalen Netzen. Gabler Edition Wissenschaft. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-08904-9_5
Download citation
DOI: https://doi.org/10.1007/978-3-663-08904-9_5
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7041-9
Online ISBN: 978-3-663-08904-9
eBook Packages: Springer Book Archive