125 
phasenverschoben. Das gleiche läßt sich auch in dem mittleren Kranz beobachten, der schon 
zu dem innersten Kern des Kohonengitters gehört. Dabei hat die Amplitude der Kurven zum 
Teil schon ein wenig abgenommen. In den vier Gewichtsvektoren ganz in der Mitte des 
Gitters ist diese Verschiebung von Vektor zu Vektor auch noch zu erkennen, die Amplitude 
der Kurven ist aber schon recht klein. 
Da die Anzahl der Gewichtsvektoren von Kranz zu Kranz des Kohonengitters von außen 
nach innen abnimmt, wird von Kranz zu Kranz der Phasenunterschied größer, bis er im 
innersten Kranz - in den vier Gewichtsvektoren ganz in der Mitte des Gitters - eine Viertel 
periode beträgt. Bei der Berechnung der U-Matrix werden jeweils vier Gewichtsvektoren, die 
zu zwei verschiedenen Kränzen gehören, für die Berechnung der Distanzen benötigt. Wenn 
der Phasenunterschied zwischen zwei Kuven der univariaten Gewichtsvektoren zur Gitter 
mitte hin größer und die Amplitude entsprechend kleiner wird, müssen die Distanzen 
entsprechend zunehmen. Auf diese Weise kann der "Berg" erklärt werden, der sich beim 
Anlernen von periodischen Daten ergibt. Aufgrund dieser Erklärung könnte dieser Berg z.B. 
als oben abgeschnittener Rotationshyperboloid aufgefaßt werden. Es wurden Daten angelernt, 
die nur in erster Näherung einem linearen Prozeß gehorchen. Würden rein periodische Daten, 
z.B. in Form eines Sinus’ angelernt werden, müßte der Berg noch klarer zum Vorschein 
treten. 
Somit könnten Kohonen-Netze auf diese Weise leicht validiert werden. D.h. durch das 
Anlernen einer Sinus-Zeitreihe und das Berechnen der U-Matrix könnte beurteilt werden, ob 
der Algorithmus richtig implementiert wurde. Es wurde darauf verzichtet, U-Matrizen von 
ausgelernten Kohonen-Netzen zu berechnen, die mit Staudaten, d.h. mit Pegeldaten, von 
denen die Gezeitenvorausberechnungen subtrahiert wurden, trainiert wurden. 
5.2. Spezifikation der Zeitmuster 
Nach der Vorstellung des Lernverfahrens werden nun die schon öfters erwähnten Zeitmuster 
spezifiziert. D.h. es wird beschrieben, wie die Längen der Indikations- und Prognosezeiträu 
me der verschiedenen Zeitmuster festgelegt werden, die in Kap.2.2 eingeführt wurden. Die 
verschiedenen Zeitmuster werden kurz aufgeführt und mit einer Abkürzung versehen: Das 
Zeitmuster der Autoregression (AR), der Klassifikation (KL), der Doppelklassifikation 
(DKL), der multiplen Regression (MR), das Regression-plus-Window Zeitmuster (RW) und 
das Multi-Window Zeitmuster (MW). Die Muster können mit den neuronalen Netzen zu den 
entsprechenden neuronalen Modellen verknüpft werden (z.B. "MR-Modell"). Die Muster 
wurden mit Hilfe des Schemas für die Simulation der Vorhersage spezifiziert (Kap.2.4.2) 
Der Prognosezeitraum des KL-Musters wurde mit 18 Zeitpunkten festgelegt, der des AR- 
Musters entsprechend nur mit einem Zeitpunkt. Der Prognosezeitraum des RW-Musters 
wurde analog zum KL-Muster auf 18 Zeitpunkte festgelegt. Der Indikationszeitraum beider 
Muster wurde variiert. Das MR-Muster wurde an den Gesamtansatz angeglichen (Kap.2.1.4). 
Dabei wurde aber zusätzlich von der zeitlichen Struktur des Gesamtansatzes abgewichen. Es 
wurden verschiedene meteorologisch/ozeanographische Größen in multiregressiver Weise 
miteinander kombiniert und getestet. D.h. es wurden die Validationsfehler dieser MR-Modelle 
berechnet und miteinander verglichen. Das MR-Modell mit dem kleinsten Validationsfehler 
wurde als optimal angenommen. Dabei wurden außerdem die Zeitversätze (Kap.2.2.4), d.h. 
die zeitlichen Meßabstände der betreffenden Größen relativ zum Stau, variiert (Kap.5.5). 
Beim MW-Muster mußte zusätzlich zur Länge des Prognosezeitraums die Länge der 
einzelnen Indikationszeiträume festgelegt werden. Ein Testen verschiedener Längen für jeden 
Indikationszeitraum, d.h. mittels eines Vergleichs der entsprechenden Validationsfehler erwies