Ziel
Ziel dieser Simulation ist die Veranschaulichung der Arbeitsweise eines zweidimensionalen Kohonengitters, sowie der Demonstration des Einflusses verschiedener Parameter dieses neuronalen Clusterverfahrens.
Beschreibung des Netzwerkes
Das Kohonennetz ist ein neuronales, biologisch inspiriertes Verfahren, welches zur Clusterung von Daten eingesetzt werden kann. Dabei wird eine Datenmenge in sogenannte Cluster ("Haufen") unterteilt, welche durch einen Referenzvektor repräsentiert werden. Die Wahl dieser Referenzvektoren für eine unbekannte Datenmenge kann durch ein solches Clusterverfahren realisiert werden.
Das 2D-Kohonengitter besteht, wie der Name bereits sagt, aus einer Menge von Neuronen, die in einem zweidimensionalen Gitter arrangiert sind. Dieses Gitter definiert die Nachbarschaftrelationen zwischen den Neuronen, so daß ein Neuron innerhalb des Gitters jeweils 4 unmittelbare Nachbarn besitzt.
Bedienungsanleitung
Die Simulation des Lernprozesses des "Kohonengitters" kann mit den drei Buttons "start", "step" und "reset" gesteuert werden. "start" startet einen fortlaufenden Lernprozeß. "step" führt genau einen Schritt beginnend mit der Präsentation eines Eingabedatums über die Bestimmung der Neuronenaktivierungen bis hin zur Wichtungsadaption aus. "reset" setzt alle Netzwerkparameter auf die Defaulteinstellungen zurück.
Die Grafische Darstellung zeigt die Positionen der Neuronenwichtungen in ihrem zweidimensionalen Eingaberaum, wobei benachbarte Neuronen durch eine schwarze Linie miteinander verbunden sind. Die Verteiling der Daten im Eingaberaum wird durch die Farbmarkierung im Eingaberaum deutlich gemacht. Das aktuelle Eingabedatum wird zusätzlich durch einen roten Punkt dargestellt. Das zugehörige best- matching-Neuron wird weiß dargestellt, der Grauwert der übrigen Neuronen widerspiegelt deren Aktivierung bezüglich der jeweiligen Nachbarschaftsform.
Unterhalb der Netzwerkvisualisierung können verschiedene netzwerkspezifische Parameter eingestellt werden, welche jeweils nach Betätigen der ENTER-Taste aktiv werden.
