Abstract

Zur Abschätzung der Bedeutung verschiedener Netzwerkparameter für die Simulation künstlicher neuronaler Netze wurden an einem einfachen neuronalen Delta-Netzwerk mit zwei bis 20 Eingangsneuronen und einem Ausgangsneuron Simulationen vorgenommen. Die Eingangsneuronen konnten die Werte 1 und 0 (d.h. "Merkmal vorhanden/ nicht vorhanden") annehmen, während das Ausgangsneuron durch Werte zwischen 0 und 1 die relative Sicherheit der Musterklassifikation signalisiert. Es wurden die folgenden Simulationen durchgeführt: Variation von Merkmalszahl (2,10 und 20), Art der Wechsel der Interferenzmuster (konstant, zyklisch und zufällig) und verschiedene Ähnlichkeiten zwischen Lern- und Interferenzmuster (geringe, mittlere und hohe Ähnlichkeit). Systematische Variation von Aktivierungsrate, Lernrate, Interferenzrate und Vergessensrate sowie ihrer zweifaktoriellen Wechselwirkungen. Es zeigen sich in beiden Simulationsserien signifikante Nichtlinearitäten, insbesondere in der Wechselwirkung zwischen den verschiedenen Randbedingungen. Insgesamt erweisen sich die mit konstanten Interferenzmustern Musterwechseln trainierten Deltanetze unter spezifischen Bedingungen als besonders leistungsfähig. Verf.-Referat