Zusammenfassung
In dieser Arbeit [Bru98] wird ein neuartiges Künstliches Neuronales Netz (KNN), die Dynamische Zellstruktur (DCS), vorgestellt, die das Approximationsverhalten von Netzwerken radialer Basisfunktionen (RBF-Netzen) mit der Repräsentationskraft topologieerhaltender Karten vereint. Die topologieerhaltenden Karten werden dabei zu einer im Vergleich zu herkömmlichen RBF-Netzwerken effizienteren Ausgabeberechnung und Adaption genutzt. Daneben tragen sie zu einer Regularisierung des Lernproblems bei und bewirken durch effektive Projektion auf die Eingabemannigfaltigkeit eine verminderte Rauschsensitivität. Durch inkrementelle Adaption sowohl der Parameter als auch der Modellordnung und der topologieerhaltenden Repräsentation der Eingabemannigfaltigkeit weist die DCS ein Höchstmaß an Flexibilität auf. Hierfür werden eine Vielzahl von Lernregeln angegeben, die im Kontext der stochastischen Approximation und der statistischen Mustererkennung diskutiert werden. Die DCS ist eine Weiterentwicklung von Fritzkes Wachsender Zellstruktur, [Fri95], an die sich ihre Namensgebung anlehnt.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Similar content being viewed by others
Literatur
J. Bruske, I. Ahrns, and G. Sommer. An integrated architecture for learning of reactive behaviors based on dynamic cell structures. Robotics and Autonomous Systems, 22(2):87–101, 1998.
J. Bruske, M. Hansen, L. Riehn, and G. Sommer. Biologically inspired calibration-free adaptive saccade control of a binocular camera-head. Biological Cybernetics, 77(6):433–446, 1997.
C. Bishop. Neural Networks for Pattern Recognition. Clarendon Press, 1995.
J. Bruske. Dynamische Zellstrukturen — Theorie und Anwendung eines KNN-Modells. PhD thesis, Inst. f. Inf. u. Prakt. Math., Christian-Albrechts-Universitaet zu Kiel, 1998. Technischer Bericht Nr. 9809, Juni 1998.
J. Bruske and G. Sommer. Dynamic cell structure learns perfectly topology preserving map. Neural Computation, 7(4):845–865, 1995.
J. Bruske and G. Sommer. Intrinsic dimensionality estimation with optimally topology preserving maps. IEEE PAMI, 20(5):572–575, 1998.
A. Barto, R. Sutton, and C. Anderson. Neuronlike adaptive elements that can solve difficult learning control problems. IEEE Trans. on Systems, Man and Cybernetics, 13:834–846, 1983.
B. Fritzke. Growing cell structures — a self-organizing network for unsupervised and supervised learning. Neural Networks, 7(9):1441–1460, 1995.
T. Kohonen. Self-Organizing Maps. Springer, 1995.
T. Martinetz and K. Schulten. Topology representing networks. In Neural Networks, volume 7, pages 505–522, 1994.
R.J. Williams. Simple statisticle gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8:229–256, 1992.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2000 B. G. Teubner GmbH, Stuttgart/Leipzig/Wiesbaden
About this chapter
Cite this chapter
Bruske, J. (2000). Dynamische Zellstrukturen Theorie und Anwendung eines KNN-Modells. In: Fiedler, H., et al. Ausgezeichnete Informatikdissertationen 1999. GI-Dissertationspreis. Vieweg+Teubner Verlag. https://doi.org/10.1007/978-3-322-84823-9_2
Download citation
DOI: https://doi.org/10.1007/978-3-322-84823-9_2
Publisher Name: Vieweg+Teubner Verlag
Print ISBN: 978-3-519-02650-1
Online ISBN: 978-3-322-84823-9
eBook Packages: Springer Book Archive