Grundlagen der Statistik enthält Materialien verschiedener Vorlesungen und Kurse von H. Lohninger zur Statistik, Datenanalyse und Chemometrie .....mehr dazu.


RBF-Netzwerke

Author: Hans Lohninger

Radius-Basis-Funktions-Netzwerke (RBF-Netzwerke) stellen eine besondere Form von neuronalen Netzwerken dar, die in engem Zusammenhang mit Dichteschätzmethoden stehen. Einige, die sich mit diesem Thema beschäftigen, bezeichnen es nicht als neuronales Netzwerk. Eine gründliche mathematische Beschreibung von RBF-Netzwerken wird von Broomhead geliefert, eine kurze Einführung von Lohninger . RBF-Netzwerke liegen zwischen Regressionsmodellen und Nearest-Neighbor-Klassifikationsschemata, die als inhaltsadressierbare Speicher betrachtet werden können. Darüber hinaus kann das Verhalten eines RBF-Netzwerkes durch einen einzigen Parameter kontrolliert werden, der festlegt, ob sich das Netzwerk eher wie eine multiple lineare Regression oder ein inhaltsadressierbarer Speicher verhält.

RBF-Netzwerke haben einen speziellen Aufbau, da sie nur aus drei Schichten (Eingabe, versteckte Schicht, Ausgabe) bestehen, und es nur eine Schicht gibt, in der die Neuronen ein nicht lineares Antwortverhalten zeigen. Einige Autoren schlugen vor, zusätzliche Neuronen einzubauen, die zur Berechnung der Verlässlichkeit des Ausgangssignals (Extrapolationsmarker) dienen.


Die Eingangsschicht hat - wie in vielen anderen Netzwerkmodellen auch - keine Rechenleistung, sondern dient nur dazu, die Eingabedaten auf die versteckten Neuronen zu verteilen. Die versteckten Neuronen weisen eine nicht lineare Transferfunktion auf, die sich von der Gauß'schen Glockenkurve ableitet. Die Ausgabeneuronen wiederum haben eine lineare Transferfunktion, die es möglich macht, auf sehr einfache Art und Weise die optimalen Gewichte zu berechnen.



Last Update: 2012-10-08