Veränderungsregel

Innerhalb des Lernprozesses spielt die Veränderungsregel die entscheidende Rolle. Sie legt fest, was genau wann und wie geändert werden soll. Bei Zell [133] findet sich folgende algorithmische Fassung der Hebbschen Lernregel:

for each j in OutputNeurons do
if $o_{j} \textbf{=} t_{j}$ then ``do nothing''
else if $o_{j} == 0$ then for each i in InputNeurons do $w_{ij}:= w_{ij}+o_{i}$
else if $o_{j} == 1$ then for each i in InputNeurons do $w_{ij}:= w_{ij}-o_{i}$
endif
endfor

Der Ausgabewert $o_{j}$ des Zielneurons $j \in N$ wird während des Trainings mit dem Trainingswert $t_{j}$ verglichen. Stimmen beide überein, passiert nichts. Weichen sie aber voneinander ab, dann wird unter Berücksichtigung des Ausgabewertes des sendenden Neurons $o_{i}$ mit $i \in INP$ und des Gewichtes $w_{ij}$ zwischen $o_{i}$ und $o_{j}$ das betreffende Gewicht entweder um den Outputwert des sendenden Neurons erhöht oder vermindert.

Wir bauen zu diesen Überlegungen jetzt eine kleine Versuchsanordnung mit dem mathematischen Programmierwerkzeug scilab^6.2 auf und analysieren dann diesen Lernansatz weiter.