Zusammenfassung
Der Begriff, der sich mehr oder weniger erkennbar als roter Faden durch unsere Betrachtungen zieht, ist der des Modells. Ob ein Modell als Algorithmus, System, Differentialgleichung oder anders festgelegt ist, in jedem Fall besitzt es variable, offengehaltene Elemente (Parameter, Koeffizienten usw.), die seine Anpassung an ein konkretes Signal, eine Objektrealisierung, eine gegebene Klassifikationsaufgabe usw. ermöglichen. Für diese Elemente haben wir im Zusammenhang mit der Klassifikation den Begriff Modellinformation M k benutzt (Seite 296), den wir jetzt etwas allgemeiner betrachten wollen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Rosenblatt, F.: The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review 65 (1958), S. 386–408.
Robbins, H.; Monro, S.: A Stochastic Approximation Method. Annals of Math. Stat. 22 (1951), S. 400–407.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1998 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Hoffmann, R. (1998). Modellanpassung, Adaption und Lernen. In: Signalanalyse und -erkennung. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-58798-6_8
Download citation
DOI: https://doi.org/10.1007/978-3-642-58798-6_8
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-63443-0
Online ISBN: 978-3-642-58798-6
eBook Packages: Springer Book Archive