Jordan-Netz

aus Wikipedia, der freien Enzyklopädie

Ein Jordan-Netz (nach Michael I. Jordan) ist ein partiell rückgekoppeltes künstliches neuronales Netz, welches die Ausgabe des Netzes im darauf folgenden Zeitschritt wieder als Teil der Eingabe betrachtet. Wie beim Elman-Netz ist das Jordan-Netz somit in der Lage, Eingaben zu verschiedenen Zeitpunkten zu verarbeiten.

Schema eines Jordan-Netzes

Die Kontextneuronen können zusätzliche Rückkopplungen auf sich selbst aufweisen, womit der Einfluss der älteren Muster gesteuert werden kann. Die Stärke dieser Rückkopplung wird hierbei mit einem festen Erinnerungsfaktor λ gesteuert. Jordan-Netze können beispielsweise mittels Backpropagation trainiert werden, wobei die rückwärts gerichteten Kanten (Rückkopplungen) aber nicht angepasst werden.

Die Struktur des Jordannetzes weist gegenüber dem ähnlichen Elman-Netz den Nachteil auf, dass die Zahl der Rückkopplungen durch die Anzahl der Ausgabeneuronen und somit durch die Problemstellung festgelegt wird.

Bei Elman-Netzen werden anstatt der Ausgabeneuronen die Ausgaben der verdeckten Schicht rückgekoppelt, womit die Einschränkung des Jordan-Netzes aufgehoben wird. Darum werden im Allgemeinen mit Elman-Netzen bessere Resultate erzielt.

Literatur

  • Michael I. Jordan: Attractor dynamics and parallelism in a connectionist sequential machine. In: Joachim Diederich (Hrsg.): Artificial neural networks. concept Learning. IEEE Computer Society, Washington, DC 1990, S. 112–127, ISBN 0-8186-2015-3.
  • Matthias Haun: Einführung in die rechnerbasierte Simulation Artifiziellen Lebens. expert verlag, Renningen 2004, ISBN 3-8169-1856-5.