accessibility__skip_menu__jump_to_main

Volltext : Wasserstandsvorhersage mittels neuronaler Netze (BSH-Berichte, Nr. 15)

52

te  diese  Idee  und  wandte  sie  auf  auto-,  multiregressive  und  klassifizierende  Zeitmuster  an.  Im
Rahmen  der  in  der  vorliegenden  Arbeit  gewählten  Terminologie  verband  Halmans  das
Kohonen-Modell  mit  diesen  Zeitmustern  zu  den  entsprechenden  auto-,  multiregressiven  und
klassifizierenden  Modellen,  oder  abgekürzt  zu  den  AR-,  MR-  und  KL-Modellen  [Halmans
91].  Diese  Ideen  wurden  von  ihm  übernommen.  Im  Unterschied  zu  der  vorliegenden  Arbeit
aber  wendet  Halmans  die  Karten  so  an,  daß  keine  Zusatzprognose  nötig  ist  (Kap.2.2).  Er
sieht  die  iterative  Anwendung  des  AR-Modells,  die  er  mit  "Prognose  mit  Zeitfenster"
bezeichnet,  als  Ergänzung  zum  KL-Modell  an.  deren  Anwendung  er  mit  "Prognose  durch
Klassifikation"  bezeichnet.  Im  Gegensatz  zu  ihm  wird  das  iterierte  AR-Modell  in  der
vorliegenden  Arbeit  als  Alternative  zum  KL-Modell  betrachtet.  Bei  beiden  Modellen  werden
die  Vorhersagefehler  berechnet  und  verglichen.  Zusätzlich  werden  die  dabei  entsprechend
benötigten  Rechenzeiten  verglichen  (Kap.5.3).
Bei  der  Anwendung  von  Kohonen-Netzen  auf  das  Problem  der  Vorhersage  kann  man  auch
zum  selben  Ergebnis  gelangen,  wenn  der  Weg  über  die  motorischen  Karten  genommen  wird.
In  Kap.3.6.2  wurde  beschrieben,  daß  im  einfachsten  Fall  motorischer  Karten  für  die  vorgegebene ­
  Steuerungsaufgabe  eine  Sequenz  korrekter  Wertepaare  (v.u)  aus  Systemzustand  v
und  jeweilig  richtiger  Steuerungsaktion  u  verfügbar  ist.  Der  Algorithmus  der  motorischen
Karten  berücksichtigt  bei  der  Bestimmung  des  "bestmatch"  Neurons  bereits  nur  den  Systemzustand ­
  v  allein  [3.8].  Eine  Möglichkeit,  die  motorischen  Karten  auf  das  Problem  der
Vorhersage  zu  übertragen,  stammt  von  [Walter  et  al.  90].  Sie  schlagen  vor.  die  vergangenen
Systemzustände,  die  durch  den  physikalischen  Phasenvektor  motiviert  miteinander  kombiniert
werden,  als  Systemzustand  v  zu  identifizieren.  Als  "Steuerungsaktion"  u  nehmen  sie  die
Koeffizienten  eines  linearen  statistischen  AR-Modells.  Nach  der  Lernphase  ergeben  die
entsprechenden  Gewichte  der  Karte  zusammen  mit  den  vergangenen  Zuständen,  d.h.  mit  dem
Phasenvektor,  linear  kombiniert  eine  Schätzung  für  den  nächsten  zukünftigen  Systemzustand.
Auf  diese  Weise  wird  der  Zusammenhang  zwischen  Vergangenheit  und  Zukunft  des  Systems
lokal  linear  abgebildet.
Es  ist  natürlich  auch  möglich,  die  vergangenen  Systemzustände  direkt  als  Systemzustand
v  zu  identifizieren  und  darüber  hinaus  die  zukünftigen  Zustände  ebenfalls  direkt  ohne  Umweg
über  die  Koeffizienten  des  AR-Modells  als  "Steuerungsaktion"  u  zu  verwenden.  Um  die
Übertragung  der  motorischen  Karten  auf  das  Problem  der  Vorhersage  mit  der  Terminologie
dieser  Arbeit  in  Übereinstimmung  zu  bringen,  läßt  sich  der  Sachverhalt  auch  so  formulieren:
Der  Systemzustand  v  als  Ausgangspunkt  für  die  Steuerung  kann  mit  den  vergangenen
Systemzuständen  bzw.  mit  der  Zustandsbeschreibung  bzw.  mit  dem  Indikationsmuster
identifiziert  werden  und  die  Steuerungsaktion  u  selbst,  d.h.  die  Ausgangswerte  der  motorischen ­
  Karte,  mit  den  zukünftigen  Zuständen  bzw.  mit  der  Prognosebeschreibung  bzw.  mit
dem  Prognosemuster,  wie  bereits  in  Kap.3.3.3  angedeutet  wurde.
Beiden  Ansätzen,  dem  von  Ultsch/Halmans  und  dem  der  motorischen  Karten  ist  das
Prinzip  gemeinsam,  daß  die  Gewichts-  und  Lernvektoren  der  Kohonen-Netze  geteilt  werden.
Durch  diese  Teilung  wird  das  uniiberwachte  Lernverfahren  der  sensorischen  Karten  in  ein
überwachtes  Verfahren  modifiziert.  Der  erste  Ansatz  stellt  eine  Anwendung  dieser  Modifikation ­
  auf  die  Vorhersage  dar,  der  zweite  eine  Anwendung  dieser  Modifikation  auf  die  Robotersteuerung. ­

Während  des  Projektablaufs  wurden  Vorträge  zum  Thema  dieser  Arbeit  gehalten.  Aus  dem
Wunsch,  den  Kohonen-Algorithmus  möglichst  anschaulich  darzustellen,  wurde  ein  Bild
entwickelt,  das  an  dieser  Stelle  gezeigt  werden  soll  (Abb.3.4).  Vielleicht  hilft  es  manchem
Leser,  einen  leichteren  Zugang  zur  Funktionsweise  von  Kohonen-Netzen  zu  bekommen.  In
der  oberen  Reihe  der  Abbildung  ist  die  Lernphase  schematisch  dargestellt.  Das  zweidimensio-
            
Waiting...

Nutzerhinweis

Sehr geehrte Benutzerin, sehr geehrter Benutzer,

aufgrund der aktuellen Entwicklungen in der Webtechnologie, die im Goobi viewer verwendet wird, unterstützt die Software den von Ihnen verwendeten Browser nicht mehr.

Bitte benutzen Sie einen der folgenden Browser, um diese Seite korrekt darstellen zu können.

Vielen Dank für Ihr Verständnis.