206 
Realzeit Lernen: Fortlaufende Veränderung der Gewichte von rückläufi- 3.5.2 42 
gen (recurrent) neuronalen Netzen während der dynamischen Präsenta 
tion der Daten. 
Reduzierung der Dimension von Räumen: Abbildung eines höherdimen- 3.2 31 
sionalen Eingangsraums auf einen niedrigerdimensionalen Ausgangs 
raum. 
Regression-plus-Window: Vorhersage mehrerer Zeitpunkte einer Größe 2.2.3 20 
aus jeweils nur einem Zeitpunkt anderer Größen, wobei sich die 
Indikationszeiträume mit dem Prognosezeitraum nicht überlappen. 
Repräsentativität: Wenige Objekte stehen stellvertretend für viele Objek- 4.1.2 64 
te, wobei die wenigen möglichst "typisch" für die vielen sind: Aus 
wahl von Wetterstationen und Selektion von Lernvektoren mit Hilfe 
des Minimaldistanz-Verfahrens. 
Residuum: Differenz: Vorhersage minus Messung. 2.4.4 28 
Schwellwertneuron: Neuron mit einem Schwellwert, der in Form einer 3.3.1 33 
sigmoiden Funktion (z.B. tanh) realisiert wird. 
Selbstorganisation: Sie kann mit Hilfe von drei intuitiven Prinzipien 3.6.5 55 
beschrieben werden: 1. Selbstverstärkung, 2. Konkurrenz und Auswahl 
und 3. Kooperation. 
Selektion: Auswahl von Lernvektoren aus einer Zeitmustervektormenge. 4.3 96 
sensorische Karte: Eine neurophysiologisch motivierte Bezeichnung der 3.6.1 46 
Kohonen-Netze. 
sigmoide Funktionen: Funktionen, die der Sigma-Funktion ähneln und in 3.3.1 33 
den Neuronen der Backpropagation-Netze verwendet werden. 
sig*-Verfahren: Verfahren zur Ableitung von Regeln aus der Klassen- 3.3.1 33 
Struktur ausgelernter Kohonen-Netze. 
Spring-ZNipptidezyklus: Springzeit ist, wenn Sonne, Mond und Erde in 2.1.2 4 
einer Linie stehen (Voll- und Neumond). Nippzeit ist, wenn Sonne, 
Mond und Erde einen rechten Winkel bilden mit der Erde im Win 
kelmittelpunkt (zu- und abnehmender Halbmond). Die Zeit zwischen 
zwei Springzeiten und zwischen zwei Nippzeiten beträgt jeweils 
ungefähr zwei Wochen. Der Wasserstand ist zur Springzeit höher als 
zur Nippzeit.