Next: Steuerung nichtlinearer Systeme
Up: Neuronale Netze
Previous: Trainieren des Netzes
. PRÄDIKTION EINER FUNKTION DURCH EIN N.N.
Nachdem das Netz ,,ausgelernt`` hat, wird es mit Eingaben getestet, die
nicht unter den Trainingsmustern waren. Dabei kann das Netz sowohl
Interpolation als auch Extrapolation durchführen:
- Interpolation, wenn das vom Netz zu bestimmende
für ein zu berechnen ist, und
- Extrapolation, wenn für ein
zu bestimmen ist.
Dabei bezeichnet den größten Wert von , der in den
Trainingsmustern aufgetreten ist.
Um eine Aussage über die Qualität der Vorhersage des neuronalen
Netzes machen zu können, empfiehlt es sich, ein Maß für die
Genauigkeit der Vorhersage einzuführen. Für q vom Netzwerk
vorhergesagte Punkte berechnet sich durch
wobei
- der tatsächliche Funktionswert zum Zeitpunkt ,
- die Vorhersage des Netzes für den Funktionswert
zum Zeitpunkt , und
- die Standardabweichung der vorhergesagten Punkte ist.
Die Division durch bewirkt, daß unabhängig vom
gewählten Maßstab wird, wodurch ein objektiver Vergleich
der Qualität verschiedener
Vorhersagen der Funktion möglich wird.
Wie aus den Gleichungen () und
() zu ersehen ist, wird ein neuronales Netz
immer nur für genau ein trainiert. D. h., ein
einziges Netz kann eine Funktion nur für
vorhersagen. Möchte man aber Vorhersagen für verschiedene
haben, so muß man für jedes ein eigenes
Netzwerk nach dem obigen Verfahren trainieren. Steht jedoch nur
ein Netzwerk zur Verfügung, bietet sich folgende Lösung des Problems an:
Natürlich tritt bei dieser Berechnung von für
große a ein größerer Fehler auf, als es bei einem auf den Zeitraum
trainierten Netz der Fall sein würde. Für kleine
bleibt jedoch der Fehler auch für große a so gering, daß diese
Art der Vorhersage von Funktionswerten auf Grund ihrer größeren
Variabilität durchaus zu bevorzugen ist.
Next: Steuerung nichtlinearer Systeme
Up: Neuronale Netze
Previous: Trainieren des Netzes
Werner Eberl
Sat Apr 15 13:17:50 MET DST 1995