205 
overfitting: Zunahme des Vorhersagefehlers mit zunehmender Ordnung 2.3.1 23 
eines Vorhersagemodells (z.B. mit zunehmender Anzahl versteckter 
Neuronen bei Backpropagation-Netzen), nachdem bei einer bestimm 
ten Ordnung ein Minimum des Vorhersagefehlers erreicht worden 
war. 
overload: Überladen von neuronalen Netzen. Die Netze können Gelerntes 3.5.3 43 
wieder "vergessen". 
parallel: Gleichzeitige Informationsverarbeitung. 3.2 31 
Parameter: Variablen zur Steuerung der Lern verfahren, z.B. die maxima- 5.1 111 
le Anzahl von Lernepochen. 
Pegel: Gerät zur Messung des Wasserstands. 2.1.2 4 
Persistenz: Das einfachste aller Vorhersageverfahren: Die Beständigkeit, 2.4.1 25 
d.h. "in der nächsten Zukunft wird es genau so sein wie heute". 
PIP’s und POP’s: Principal Interaction Patterns und Principal Oscillation 2.3.3 24 
Patterns. Verfahren zur Reduktion von komplexen Systemen auf Basis 
von EOF’s und autoregressiven Prozessen. PIP’s sind die nichtlineare 
Erweiterung der linearen POP’s. 
Prognosegröße: Die vorherzusagende Größe. Im allgemeinen wird der 2.2.2 18 
Stau bei Cuxhaven vorhergesagt. Es können aber auch meteorologi 
sche Größen vorhergesagt werden (z.B. Windgeschwindigkeit und 
Windrichtung). 
Prognosezeitreihe: Zeitreihe einer Prognosegröße. 2.2.2 18 
Prognosemuster: Die Gesamtheit aller Prognosezeiträume. In der Regel 2.2.3 21 
wird nur ein einziger Prognosezeitraum verwendet. Ausnahme ist das 
doppelklassifizierende Zeitmuster. 
Prognosezeitraum: Zeitfenster einer Prognosezeitreihe. 2.2.2 19 
quasistündlich: Ist durch die 12,42 h -Periode der M 2 -Tide bedingt und 2.1.2 4 
entsteht durch Einteilung der Zeit zwischen aufeinanderfolgenden 
Hoch- und Niedrigwasserereignissen in jeweils sechs gleiche Ab 
schnitte. 
Radius der Nachbarschaftsfunktion: Die Nachbarschaftsfunktion wird 5.1.1 111 
radialsymmetrisch definiert. Der Radius gibt die Größe der Nachbar 
schaftsumgebung und damit die Anzahl der miterregten Neuronen 
während eines bestimmten Lernschritts an.