Projektgruppe Visual Analytics - Medieninformatik und Multimedia ...

60 Kapitel 3 Multitouch
dieser fehlschlägt, wird das näherliegende Gewicht geändert (mit einem vorgegebenen
Wert, Lernrate δ).
w i (t + 1) = w i (t) + δ ∗ ∆ ∗ X i (3.4)
Die Gewichte werden in diesem Prozess so lange angepasst, bis alle erwarteten Werte
erreicht werden.
Künstliche neuronale Netze bieten somit die Möglichkeit, mit relativ wenig Trainingsdaten
eine Gestenerkennung zu erstellen, da nicht jedes Detail einer Geste programmiert
werden muss, sondern automatisch durch das KNN erkannt werden kann. Probleme
können auftauchen, wenn das KNN übertrainiert wird, da die Muster dann zu genau
sind und nicht mehr, wie gewünscht, generell. Somit ist es z. B. nicht mehr gegeben,
dass Gesten von unterschiedlichen Benutzern erkannt werden können.
Abbildung 3.18: Ein simples Beispiel eines KNN [Str97]
Um mehr Eingabedaten verwenden und mehr Ausgabeergebnisse erhalten zu können,
bedarf es mehrschichtiger KNNs. Diese Schichten vereinen mehrere Verarbeitungseinheiten,
welche eine ähnliche Verhaltensweise bei der Datenverarbeitung aufweisen.
Ein Problem eines KNN ist, dass es keine Möglichkeit gibt, zeitabhängige Daten
einzugeben. Hierzu werden erweiterte dynamische KNNs wie rekursive KNNs und
Time Delay Neural Network (TDNN) benötigt.
Bei rekursiven KNNs dienen die Ausgaben nach einer vorgegebenen Zeit wieder als
Eingabe [San97], ähnlich wie bei Feedback-Registern (s. Abb. 3.19). Hierbei ist jedoch
zu beachten, dass das Trainieren der Daten gut überwacht werden muss, falls das