Verteilungsprognosen im Rahmen der Interface-Modellierung zwischen Entwicklung und Einsatz neuronaler Modelle

Die bisherigen Ausführungen in Gliederungspunkt B. 1.2. kennzeichneten Neuronale Netze als universelle Regressoren. Ein Feedforward Netzwerk NN und dessen Parameter w sollen aufgefunden werden, so daß die erwartete Differenz des Netzoutput NN(x, w) für einen gegebenen Input zu dem beobachteten Target y minimiert wird. Die Differenz kann dabei u.a. mittels einer quadratischen Fehlerfunktion gemessen werden, so daß gilt (siehe auch Gleichung F.22): F.29% MathType!MTEF!2!1!+- % feaaguart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLwBLn % hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDhariqtHjhB % LrhDaibaieYlf9irVeeu0dXdh9vqqj-hEeeu0xXdbba9frFj0-OqFf % ea0dXdd9vqaq-JfrVkFHe9pgea0dXdar-Jb9hs0dXdbPYxe9vr0-vr % 0-vqpWqaaeaabiGaciaacaqabeaadaqaaqaaaOqaamaaxababaGaci % yBaiaacMgacaGGUbaaleaacaWG3baabeaakiaadweacaGGBbGaaiik % aiaadMhacqGHsislcaWGobGaamOtaiaacIcacaWG4bGaaiilaiaadE % hacaGGPaGaaiykamaaCaaaleqabaGaaGOmaaaakiaac2faaaa!467E!$$\mathop {\min }\limits_w E[{(y - NN(x,w))^2}]$$