124 
□ □ □ □ □ o 
□ 
□ 
□□□□□□ 
□ □ □ □ □ 
□ 
□□□□□□ 
□ □ □ □ 
—> 
□□□□□□ 
□ □ □ □ 
□□□□□□ 
□ □ □ □ □ 
□ 
□□□□□□ 
□ 
□ 
□□□□□□ 
□ □ □ □ □ □ 
Abb.5.3: Gewichtsvektoren des ausgelemten Kohonen-Netzes entsprechend dem Beispiel in Abb.5.1 und 
Abb.5.2. Die Abbildung in der oberen Reihe erklärt die untere Abbildung. Um das Prinzip, nach dem sich 
die Gewichtsvektoren in diesem Fall selbstorganisiert haben, zu veranschaulichen, wurden die Gewichts 
vektoren der äußersten Ecken und des innersten Kerns des Kohonengitters zur Darstellung ausgewählt und 
in der angedeuteten Weise zusammengefügt. Da als Basis dieses Beispiels ein univariates klassifizierendes 
Zeitmuster gewählt wurde, können die Gewichtsvektoren als Zeitreihen dargestellt werden. 
bedingte bimodale Verteilung der Trainingsdaten ist zwar die Bedingung der optimalen An 
passung an die Erfordernisse der Netze nicht erfüllt. Die Bedingung besagt, daß die Daten 
einen möglichst zufälligen Prozeß im Sinne einer Gauß’sehen Zufallsvariablen widerspiegeln 
müssen. Aber durch das Anlernen von periodischen Daten kann ein Prinzip beobachtet 
werden, nach dem sich das Kohonen-Netz in diesem Fall selbstorganisiert. Vergleicht man 
in Abb.5.3 die einzelnen Gewichtsvektoren miteinander, die im Falle eines univariaten 
Zeitmusters als Zeitreihen dargestellt werden können, so fällt eine Punktsymmetrie auf. 
Betrachtet man den äußersten Kranz von Abb.5.3, der aus den Ecken des Kohonengitters 
zusammengesetzt ist, so sind die Gewichtskurven von Ecke zu Ecke um eine Viertelperiode