Die neuen Features
des NeuroCoM in der Version 1.2

3D View

Ein View mit der Möglichkeit zur dreidimensionalen Visualisierung des Netzwerkverhaltens (ein Ausgang über zwei Eingänge aufgetragen) ist hinzugekommen. Die Wertebereiche der Eingangsvariablen können definiert werden, der Ausgangswertebereich ist durch die Sigmoid-Funktion auf [0,1] festgelegt.

Toolbar

In der (nunmehr bunten) Toolbar sind fast alle Menüeinträge zugänglich geworden, die Aufteilung und Reihenfolge der Buttons folgt dabei der Menüzeile.

Dateiformate

Die Formate der Eingangs- und Ausgangsdateien (Lerndaten, Run-Dateien, etc.) werden jetzt "vor Ort", also an der Auswahlstelle der Datei definiert. Die Ausgangsdatei bei Run kann jetzt entweder als Soll/Ist-Vergleich der Ausgangswerte (Comparison), oder im gleichen Format wie die Lerndatei erzeugt werden (Data). Durch letztere Variante besteht somit die Möglichkeit, das Netzverhalten mit beliebigen Datensätzen zu testen und mit anderen Tools (z.B. Tabellenkalkulation, Statistikprogramme, etc.) weiterzuverarbeiten.

Statistik

Zur statistischen Beurteilung des Lernzustandes kann im NeuroCoM eine beliebige Testdatei ausgewertet werden. Dies kann insbesondere auch die Lerndatei sein, denn durch die Lokalisation und Angabe des maximalen Fehlers kann die Güte der Netzleistung zusätzlich zur Aussage des gemittelten Fehlers besser beurteilt werden.

Trainingsverfahren

Bei den Trainingsverfahren stehen jetzt verschiedene Algorithmen mit zusätzlichen Optionen zur Verfügung.

Backprop
Die Methode "Backprop" bezeichnet das bisher verwendete Verfahren mit Momentum-Term und Error-Backpropagation. Die Änderung der Gewichte wird dabei nach jedem Präsentieren eines Lernmusters vorgenommen (stochastischer oder offline-Modus).
Adaptive Backprop
Beim Adaptive Backprop werden zunächst alle Muster präsentiert und die berechneten Gewichtsänderungen aufsummiert. Erst am Ende einer "Epoche" (Gesamtheit der Lernmuster) wird die Gewichtsänderung vorgenommen (Batch-Modus).
Weisen die Änderungen gleiches Vorzeichen auf, so wird die Lernrate (für jedes Gewicht existiert eine eigene) erhöht, bei wechselndem Vorzeichen wird sie erniedrigt. Auch bei diesem Verfahren kann ein Momentum-Term benutzt werden.
Quickprop
Quickprop versucht, statt durch eine schrittweise Annäherung direkt in das Minimum der Fehlerfunktion zu gelangen. Da hierbei (bewußt) von falschen Annahmen ausgegangen wird (parabelförmiger Verlauf der Fehlerfunktion, Unabhängigkeit der Gewichte), handelt es sich auch hierbei um ein iteratives Verfahren, das aber vielfach schneller zum Ergebnis führt.
Flat Spot Elimination
Sigmoide Funktionen verlaufen in ihren Randbereichen sehr flach (Ableitung –>0). Da Änderungen proportional zur Ableitung vorgenommen werden, kann die Addition eines konstanten Terms zur Ableitung ein Perzeptron leichter aus seinem Sättigungsbereich (dem Flat Spot) bringen.
Output Error Distortion
Der berechnete Fehler eines Ausgangsneurons kann noch einmal nichtlinear verzerrt werden, so daß größere Fehler überproportional stark gewichtet werden.

Online-Dokumentation

Der größte Teil des Handbuchs steht jetzt auch als Online-Hilfe zur Verfügung und bietet über Inhaltsverzeichnis, Stichwortindex und Querverweise einen bequemen Zugriff auf die benötigten Informationen.

Übersicht · Softcomputing · NeuroCoM-Beschreibung · Bildschirmabzug · Preisinformation

TransferTech GmbH
Eichendorffstr. 1
D-38110 Braunschweig
Germany info@transfertech.de Tel: ++49(05307) 4 90 91 60
Fax: ++49(05307) 4 90 91 61