77 
(einstündiger Meßabstand bei einer Periode von 12.42 h der dominanten M^-Tide). Befindet 
sich jedoch in der Zeitreihe ein Meterfehler, der auch in den beiden entsprechenden Zeitfen 
stern auftritt und eine Störung der harmonischen Monotonie darstellt, ist die Korrelation der 
Werte in den beiden Zeitfenstern wesentlich kleiner als im ungestörten Fall. Dieser Umstand 
wird benutzt, um Meterfehler in der Pegelzeitreihe zu orten, d.h. den Zeitpunkt des Fehlers 
herauszufinden. Die Selektion der Vektoren aus der Zeitmustervektormenge geschieht dabei 
auf folgende Weise: Der erste Vektor wird mit dem zweiten korreliert. Liegt der berechnete 
Korrelationskoeffizient unter einer vorgegebenen Grenze, werden beide Vektoren, andernfalls 
wird nur der erste Vektor selektiert. Alle weiteren Vektoren aus der Zeitmustervektormenge 
werden mit den bereits selektierten Vektoren korreliert und jedesmal der Korrelationskoeffi 
zient mit der vorgegebenen Grenze verglichen. Auf diese Weise werden Vektoren selektiert, 
die untereinander wenig korreliert sind. Dabei hat die vorzugebende Grenze einen Einfluß auf 
die Anzahl der selektierten Vektoren. Ist die geringe Korrelation zweier Vektoren nicht durch 
den realen Verlauf der Pegelkurve bedingt, sondern durch einen Meterfehler, können auf 
diese Weise Vektoren aus der Zeitmustervektormenge selektiert werden, die diesen Fehler 
beinhalten und somit einen Aufschluß auf den Zeitpunkt des Fehlers innerhalb der Zeitreihe 
geben. 
Beide Verfahren, die tageweise Methode und die Korrelations-Selektion, liefern Zeitpunkte 
von Ausreißern. Sind die Ausreißer aufgrund der Plausibilitätskriterien als Fehler identifiziert 
worden, hinterlassen sie in den Zeitreihen Lücken. Die Lücken müssen aus einem bestimmten 
Grund zum Teil gefüllt werden. Dieser Grund geht über die Angleichung der dreistündlichen 
skandinavischen Daten an die sonst stündlichen Daten hinaus (Kap.4.1.3). Für die Eingabe 
in die neuronalen Modelle ist es notwendig, daß die Lernvektoren lückenlos sind. Es heißt 
zwar, daß neuronale Netze auch mit unvollständigen Daten umgehen und sie komplettieren 
können [Ultsch 91b], [Ultsch et al. 91b]. Diese Fähigkeit wird aber bereits durch die Anwen 
dung der Netze auf die Vorhersage ausgenutzt. Unvollständige Vektoren, d.h. Vektoren, die 
nur aus dem Indikationsmuster bestehen, werden bei der Abfrage eines ausgelernten Netzes 
durch die Vorhersage der Netze zu einem Vektor vervollständigt, der aus Indikations- und 
Prognosemuster besteht (Vervollständigung mit Hilfe eines Assoziativspeichers. Kap.3.2). Für 
die Lernphase allerdings sind Lernvektoren gefordert, die aus kompletten Zeitmustern beste 
hen, d.h. die jeweils aus Indikations- und Prognosemustern zusammengesetzt sind. Da die 
Lernvektoren aus der Zeitmustervektormenge selektiert werden, sollte der Umfang dieser 
Menge, d.h. die maximal mögliche Anzahl von selektierbaren Lernvektoren, nicht durch all- 
zuviele Lücken verringert sein. 
Die effektive Musterlünge m eines Zeitmustervektors setzt sich aus den Längen der 
Zeiträume eines vorgegebenen Zeitmusters und den entsprechenden Zeitversätzen unter 
Berücksichtigung etwaiger zeitlicher Überlappung der Zeiträume zusammen (Abb.2.7). m 
wird definiert als der Abstand zwischen dem Minimum des ersten Zeitpunktes aller Indika 
tions- und Prognosezeiträume und dem Maximum des letzten Zeitpunktes aller dieser Zeit 
räume. Bei univariaten Mustern gibt es weder Überlappung von Zeiträumen noch Zeitversätze 
zwischen Zeitreihen. Dabei ist m gleich der Länge L des Zeitmustervektors. Bei multiregres 
siven Zeitmustern (mit Zeitversätzen) und Multi-Window Mustern (mit Zeitversätzen und 
Überlappung) kann m ungleich der Vektorlänge L sein (Kap.4.3). 
Die Zeitmustervektormenge kann z.B. auf Grundlage eines Multi-Window Zeitmuster 
organisiert werden. Wenn nur in einer der beteiligten Zeitreihen eine kleine Lücke ist (z.B. 
nur ein einziger stündlicher Wert, der fehlt), können mindestens m Zeitmustervektoren der 
entsprechenden Zeitmustervektormenge nicht verwendet werden. Existieren viele kleine Lük- 
ken, die auch noch relativ gleichmäßig verstreut sein können, gibt es einen entsprechenden