Neuronale Netze Assoziativspeicher

Definition eines Assoziativspeichers: Speicher, auf den man durch seinen Inhalt zugreifen kann. Gegenstuck: Adresspeicher (Zugriff durch die Adresse) Der Assoziativspeicher ist die einfachste Form eines Neuronalen Netzes. Er besteht aus einer X-Schicht und einer Y-Schicht, welche durch Gewichtungen verbunden sind. Fur jedes Neuron der X-Schicht existiert jeweils eine Gewichtung zu jedem Neuron der Y-Schicht, d. h. jedes Neuron der X-Schicht ist mit jedem Neuron der Y-Schicht, aber mit keinem Neuron der X-Schicht, verbunden. Die Neuronen der X-Schicht sind die Eingangsneuronen und die der Y-Schicht die Ausgangsneuronen. Jedes Neuron im Assoziativspeicher kann den Zustand +1 bzw. -1 annehmen. Beim Anlegen eines neuen Netzes, werden die Gewichtungen auf 0 gesetzt.

Das Wissen eines Neuronalen Netzes ist uber samtliche Gewichtungen verteilt. Die Interpretation dieser Daten ist praktisch nicht moglich. Die Anzahl der Daten eines Assoziativspeichers D ist kleiner oder hochstens gleich der Anzahl der Neuronen in der kleineren Schicht Es sollten nicht zu viele Inputs vorhanden sein, da jedes neue Eingabeneuron wiederum mit jedem Ausgabeneuron verbunden sein muss. Dadurch wird das Netz beim Ausfuhren und Trainieren langsamer.

Es sollten moglichst wenig Outputs verwendet werden, da das Netz sonst langsam wird und ein zusatzliches Ausgabeneuron keinen Vorteil bringt.

Transferfunktion: +1 Aj = ? Wij*Xi 0 Aj -1 Einfacher: Yj = 1, wenn ? Wij*Xi > 0 Yj = 0, wenn ? Wij*Xi kleiner oder gleich 0 ist Ausfuhren des Netzes Yj = T (? Wij*Xi) Um einen Assoziativspeicher auszufuhren, muss das Netz mit dem Input belegt werden.

Danach wird die oben angegebene Formel angewandt, welche in der Y-Schicht das Ergebnis liefert.

Beispiel: Berechnung von Y1 wenn X={1, -1, 1, -1, 1, -1} Gewichtungen: Trainieren des Netzes Wij = Wij + XiYj Um einen Assoziativspeicher zu trainieren, muss das Netz mit dem Input und dem Output belegt werden.

Danach wird die oben angegebene Formel angewandt, welche die Werte der Gewichtungen andert. Danach muss das Netz ausgefuhrt werden, um festzustellen ob es die neuen Eingaben gelernt hat. Das Netz wird sooft trainiert, bis es die Eingaben beherrscht. Es ist allerdings zu erwarten, dass bereits vorher gelernte Inputs, nun ein falsches Output liefern => mussen erneut trainiert werden.

Beispiel: Vor dem Trainieren mit X={1, -1, 1, 1, 1, -1} und Y={1, -1, 1, 1} Nach dem Trainieren: Es wurde jede Gewichtung mit Hilfe der obigen Formel geandert.

...