Jordan-Netz

Ein Jordan-Netz ist ein partiell rückgekkoppeltes künstliches neuronales Netz, welches die Ausgabe des Netzes im darauffolgenden Zeitschritt wieder als Teil der Eingabe betrachtet. Wie beim Elman-Netz ist das Jordan-Netz somit in der Lage, Eingaben zu verschiedenen Zeitpunkte zu verarbeiten.

Die Kontextneuronen können zusätzliche Rückkopplungen auf sich selbst aufweisen, womit der Einfluss der älteren Muster gesteuert werden kann. Die Stärke dieser Rückkopplung wird hierbei mit einem festen Erinnerungsfaktor λ gesteuert. Jordan-Netze können z.B. mittels Backpropagation trainiert, wobei die rückwärts gerichteten Kanten (Rückkopplungen) aber nicht angepasst werden.

Die Struktur des Jordannetzes weist gegenüber dem ähnlichen Elman-Netz den Nachteil auf, dass die Zahl der Rückkopplungen durch die Anzahl der Ausgabeneuronen und somit durch die Problemstellung festgelegt wird.

Beim Elman-Netzen werden anstatt der Ausgabeneuronen die Ausgaben der verdeckten Schicht rückgekoppelt, womit die Einschränkung des Jordan-Netzes aufgehoben wird. Darum werden im Allgemeinen mit Elman-Netzen bessere Resultate erzielt.

Literatur

• Michael I. Jordan, Attractor dynamics and parallelism in a connectionist sequential machine, Proceedings of the 8th Conference on Cognitive Science, Amherst, MA, USA, pp. 531-546, 1986.
• Matthias Haun: Einführung in die rechnerbasierte Simulation Artifiziellen Lebens, IBSN 3-8169-1856-5, expert verlag, Renningen, 2004.