Künstliche Intelligenz mit Java
Maschinelles Lernen mit Neuronalen Netzwerken

Das Ziel erreicht zu haben, heißt aber nicht, dass die Summen-Endwerte dicht bei 0 bzw. 1 liegen. In der Realität reichen z. B. die folgenden Summen-Endwerte von Abbildung 21, da sie schlussendlich noch mit der Heaviside-Funktion aktiviert werden.

Input
x1

Input
x0

Output
als Summe

Output
mit Heaviside-Funktion

0

0

-0.0420

0

0

1

-0.0294

0

1

0

-0.0121

0

1

1

+0.0005

1

Abbildung 21: Output bei einem zweiten Training


Die eingestellten Gewichte findet man in Abbildung 22.

w3 (bias)

w2

w1

-0.0420

+0.0299

+0.0126

  Abbildung 22: Gewichtseinstellung bei einem zweiten Training

Sie halten einer Überprüfung stand:

   x1  *  w1    +    x2  *  w2    +    1 *  bias  =  output

1) 0 * 0.0126 + 0 * 0.0299 + (-0.0420) = -0.0420

2) 1 * 0.0126 + 0 * 0.0299 + (-0.0420) = -0.0294

3) 0 * 0.0126 + 1 * 0.0299 + (-0.0420) = -0.0121

4) 1 * 0.0126 + 1 * 0.0299 + (-0.0420) = +0.0005

Man sieht, dass man bei diesem sehr einfachen Beispiel bei zwei verschiedenen Trainings mit absolut unterschiedlichen Gewichten (s. Abbildung 20 und Abbildung 22) zum Ziel kommt!


- 23 -