1. Wählen Sie "L-shape" als Datenverteilung aus (Dieser Input wird für die Aufgaben 1-5 verwendet). Starten Sie die Simulation ("Start") und beobachten Sie die Bewegungen der Gewichtsvektoren im Inputraum. Stoppen Sie die Simulation, wenn sich die Gewichtsvektoren stabilisiert haben.
     
  2. Stoppen Sie die letzte Simulation ("Stop") und initialisieren Sie die Kohonen-Kette neu ("Reset"). Beobachten Sie die Bewegung der Gewichtsvektoren bei Nutzung des Einzelschrittbetriebs ("Step") für ca. 20 Schritte. Beobachten Sie dabei, wie die Neuronen in Abhängigkeit des Inputs und der Nachbarschaftsfunktion aktiviert werden (rote Färbung).
     
  3. Vergleichen Sie die Ergebnisse mit denen von Kohonen-Ketten, die die Lernraten η=0, η=1, η=2 sowie η=-0.5 nutzen (Nach jeder Änderung der Lernrate das Netzwerk zurücksetzen ("Reset")). Worin bestehen die wesentlichen Unterschiede der entsprechenden Netze? Welche Lernrate ist in diesem Beispiel für einen praktischen Einsatz am geeignetsten und warum? Traten topologische Defekte auf: falls ja, wodurch wurden sie verursacht?
     
  4. Initialisieren Sie ("Reset") eine Kohonen-Kette mit den folgenden Parametern: 20 Neuronen, Lernrate η=0.2, Decay Lernrate Δη=0.999, Lernradius r=10 und Decay Lernradius Δr=0.99. Starten Sie die Simulation im Einzelschrittbetrieb ("Step"). Verfolgen Sie die Entwicklung der Gewichtsvektoren.
    1. Vergleichen Sie die Ergebnisse mit denen von Kohonen-Ketten, die die Lernradien r=100 sowie r=0.001 nutzen! Worin bestehen die wesentlichen Unterschiede der entsprechenden Netze? Welcher Lernradius ist in diesem Beispiel für einen praktischen Einsatz am geeignetsten und warum? Traten topologische Defekte auf: falls ja, wodurch wurden sie verursacht?
  5. Initialisieren Sie ("Reset") eine Kohonen-Kette mit den folgenden Parametern: Starten Sie die Simulation im Einzelschrittbetrieb ("Step"). Beobachten Sie die Adaptation der Gewichtsvektoren! Worin liegen die Ursachen der aufgetretenen Probleme?
    1. 20 Neuronen, Lernrate η=0.2, Decay Lernrate Δη=0.9, Lernradius r=10 und Decay Lernradius Δr=0.99 sowie
    2. 20 Neuronen, Lernrate η=0.2, Decay Lernrate Δη=0.999, Lernradius r=10 und Decay Lernradius Δr=0.5.
  6. Initialisieren Sie ("Reset") eine Kohonen-Kette mit 20 Neuronen sowie den Parametern Lernrate η=0.2, Decay Lernrate Δη=0.999, Lernradius r=10 und Decay Lernradius Δr=0.99. Wählen Sie als Inputpattern "equally distributed" und starten Sie die Simulation ("Start"). Welches grundsätzliche Problem ist bei der Nutzung einer Kohonen-Kette in einem zweidimensionalen Inputraum zu berücksichtigen?
     
  7. Initialisieren Sie ("Reset") eine Kohonen-Kette mit 20 Neuronen sowie den Parametern Lernrate η=0.5, Decay Lernrate Δη=0.999, Lernradius r=10 und Decay Lernradius Δr=0.99. Wählen Sie als Inputpattern "Omega-shape" und starten Sie die Simulation 3 mal ("Reset"+"Start"). Überlegen Sie, warum sich die Nachbarschaftsbeziehung der Neuronen in der Kette in diesem Fall als hinderlich für den Lernprozess erweist?