nicht angemeldet
Hallo,
Ich glaube, du meinst was anderes als ich. Natürlich dürfte der Ausgabevektor nach
jedem Lernschritt anders sein, aber ich meinte schon die Auswertung dieses Vektors,
Vektor? Da haben wir Neuronalnetze völlig unterschiedlich verstanden.
also in diesem Fall den tatsächlichen Gegenstand, der als Lösung präsentiert wird.
Der ändert sich ggf. nach jedem Training. Wie gesagt, offensichtlich haben wir da völlig unterschiedliche Vorstellungen.
Mal ein sehr stark vereinfachtes Beispiel:
Tiererkennung
Subjekt Tier Attribut
[01]=++ ++=[10]
++=[06]=++
[02]=++ ++=[11]
+--[07]--+
[03]=++ ++=[12]
+--[08]--+
[04]=++ ++=[13]
++=[09]=++
[05]=++ ++=[14]
Das ist ein Ausschnitt aus einem Neuralnetz. Verbindungen mit ++ bzw. == sind verstärkt. Verbindungen mit + bzw. - sind geschwächt. Der linke Layer steht für Subjekte und der rechte für Attribute. Aus weiteren Verknüpfungen ergeben sich:
01 Fell
02 Flossen
03 Wasser
04 Krallen
05 Schuppen
10 niedlich
11 nass
12 kann kratzen
13 kann schwimmen
14 ist essbar
Damit wäre 06 eine Katze und 09 ein Fisch. Welche Seite Input bzw. Output ist, kann wechseln.
Mit "global" meinte ich, dass jedes eingestellte Gewicht Einfluss auf die gesamte
Abbildung hat, was zb. bei den unten genannten RBFs nicht so ist.
Nein? Warum nicht? Ein _nur_ RBF-Netz ohne MLP gibt es meiner Meinung nach nicht. Idealerweise kann jedes Neuron mit jedem in Verbindung stehen. Jede Änderung hat somit Auswirkungen auf das Gesamte. Wie _groß_ diese sind, ist abhängig von der Stärke der einzelnene Verbindungen. Diese sind abhängig vom Training.
Ich erkläre noch mal anders, wie ich mir den Algorithmus vorstellen könnte: man
rechnet mit Vektoren, deren Komponenten die jeweiligen Fragen repräsentieren. Hat
man am Ende einen Eingabevektor mit den Antworten des Benutzers, vergleicht man
diesen mit einem ähnlichen Vektor, den das System als "richtige" Antwort gespeichert
hat. Der ähnlichste gewinnt. Als Maß dafür könnte man den Kosinus der Winkel bzw.
das Skalarprodukt wählen. Daher meine obige Idee mit der linearen Abbildung durch
eine Wissensmatrix.
Dann wären die Fragen also rein zufällig? Den "Eingabevektor mit den Antworten des Benutzers" hat man ja erst, wenn alle Antworten gegeben sind. Ansonsten ist das schon das, was ich beschrieben habe. Nach jeder Frage wird geprüft, welche Folgefrage bereits zum Erfolg geführt hat. Diese wird gestellt. Mit jeder Antwort kann man den "Eingabevektor mit den Antworten des Benutzers" neu berechnen, bis er schließlich ausreichend mit einem gespeicherten übereinstimmt. Das wird aber ein sehr komplexer Algorithmus.
viele Grüße
Axel