The Infona portal uses cookies, i.e. strings of text saved by a browser on the user's device. The portal can access those files and use them to remember the user's data, such as their chosen settings (screen view, interface language, etc.), or their login data. By using the Infona portal the user accepts automatic saving and using this information for portal operation purposes. More information on the subject can be found in the Privacy Policy and Terms of Service. By closing this window the user confirms that they have read the information on cookie usage, and they accept the privacy policy and the way cookies are used by the portal. You can change the cookie settings in your browser.
Das Ziel der Clusteranalyse besteht darin, einen gegebenen Datensatz so in Gruppen (Cluster) aufzuteilen, dass ähnliche Objekte des Datensatzes demselben Cluster und sehr verschiedene Objekte unterschiedlichen Clustern zugeordnet werden.
(Künstliche) neuronale Netze (artificial neural networks) sind informationsverarbeitende Systeme, deren Struktur und Funktionsweise dem Nervensystem und speziell dem Gehirn von Tieren und Menschen nachempfunden sind. Sie bestehen aus einer großen Anzahl einfacher, parallel arbeitender Einheiten, den sogenannten Neuronen. Diese Neuronen senden sich Informationen in Form von Aktivierungssignalen...
Die Beschreibung natürlicher neuronaler Netze im vorangehenden Kapitel legt es nahe, Neuronen durch Schwellenwertelemente zu modellieren: Erhält ein Neuron genügend erregende Impulse, die nicht durch entsprechend starke hemmende Impulse ausgeglichen werden, so wird es aktiv und sendet ein Signal an andere Neuronen. Ein solches Modell wurde schon sehr früh von McCulloch u. Pitts [1943] genauer untersucht...
In diesem Kapitel führen wir ein allgemeines Modell (künstlicher) neuronaler Netze ein, das i.W. alle speziellen Formen erfasst, die wir in den folgenden Kapiteln betrachten werden. Wir beginnen mit der Struktur eines (künstlichen) neuronalen Netzes, beschreiben dann allgemein die Arbeitsweise und schließlich das Training eines (künstlichen) neuronalen Netzes.
Nachdem wir im vorangehenden Kapitel die Struktur, die Arbeitsweise und das Training/Lernen (künstlicher) neuronaler Netze allgemein beschrieben haben, wenden wir uns in diesem und den folgenden Kapiteln speziellen Formen (künstlicher) neuronaler Netze zu. Wir beginnen mit der bekanntesten Form, den sogenannten mehrschichtigen Perzeptren (multilayer perceptrons, MLPs), die eng mit den in Kapitel 3...
Radiale-Basisfunktionen-Netze sind, wie mehrschichtige Perzeptren, vorwärtsbetriebene neuronale Netze mit einer streng geschichteten Struktur. Allerdings ist die Zahl der Schichten stets drei; es gibt also nur genau eine versteckte Schicht. Weiter unterscheiden sich Radiale-Basisfunktionen-Netze von mehrschichtigen Perzeptren durch andere Netzeingabe- und Aktivierungsfunktionen, speziell in der versteckten...
Selbstorganisierende Karten sind mit den im vorangehenden Kapitel behandelten Radiale-Basisfunktionen-Netzen eng verwandt. Sie können gesehen werden als Radiale-Basisfunktionen-Netze ohne Ausgabeschicht oder, anders formuliert, die versteckte Schicht eines Radiale-Basisfunktionen-Netzes ist bereits die Ausgabeschicht einer selbstorganisierenden Karte. Diese Ausgabeschicht besitzt außerdem eine innere...
In den vorangegangenen Kapiteln 5 bis 7 haben wir sogenannte vorwärtsbetriebene Netze betrachtet, d. h. solche, bei denen der dem Netz zugrundeliegende Graph azyklisch (kreisfrei) ist. In diesem und dem folgenden Kapitel wenden wir uns dagegen sogenannten rückgekoppelten Netzen zu, bei denen der zugrundeliegende Graph Kreise (Zyklen) hat. Wir beginnen mit einer der einfachsten Formen, den sogenannten...
Die im vorangehenden Kapitel behandelten Hopfield-Netze, die spezielle rückgekoppelte Netze sind, sind in ihrer Struktur stark eingeschränkt. So gibt es etwa keine versteckten Neuronen und die Gewichte der Verbindungen müssen symmetrisch sein. In diesem Kapitel betrachten wir dagegen rückgekoppelte Netze ohne Einschränkungen. Solche allgemeinen rückgekoppelten neuronalen Netze eignen sich sehr gut,...
Set the date range to filter the displayed results. You can set a starting date, ending date or both. You can enter the dates manually or choose them from the calendar.