Grundlagen Künstliche Neuronale Netze vom Typ KFM (Kohonen Feature Map) können Typen, Häufigkeiten und Verteilungen von Mustern lernen sowie, in der von uns entwickelten dynamischen Variante DyCoN (Dynamically Controlled Network), ihre zeitabhängigen Veränderungsprozesse erkennen. Das einzelne Muster kann dabei eine statische Struktur von Item-Werten sein (z. B. bei der Diagnose von Zuständen) oder eine Zeitreihe von Item-Werten (z. B. bei Prozessen aus den Bereichen Strategie, Motorik oder Rehabilitation). Ein KFM verfügt über sog. Neuronen, die mit Information trainiert werden und dabei Cluster ähnlicher Information bilden können. Die weiterführende Idee von DyCoN ist, dass jedes einzelne Neuron individuell und zeitlich unbegrenzt lernen und Information bereitstellen kann. Anwendungsbeispiele Bei der Analyse von Prozessen im Sport, z. B. biomechanische Prozesse im Fall von Bewegungen und strategische Prozesse im Fall von Spielverhalten, besteht häufig das Problem sehr vieler und zum Teil hochpräziser Daten. Hier hilft der Netzansatz, aus einer unüberschaubaren Menge komplexer Daten die relevante Information herauszufiltern und dem Beurteilungs- und Entscheidungsprozess zugänglich zu machen. Insbesondere können so u. a. auch die z. T. subtilen Differenzen motorischer Muster in inter- und intraindividuellen vergleichenden Analysen verdeutlicht werden. Auf diese Weise gelingt es, Bewegungsmuster oder Verhaltensmuster zu erkennen, ihre Wirksamkeit besser einzuschätzen und die so erhaltene Information optimierend in das Training zurückzuführen. Im vorliegenden Beitrag werden auf diese Weise speziell Lernverläufe analysiert und mit prototypischen Verläufen verglichen. Es zeigt sich, dass es in den Lernverläufen starke individuelle Unterschiede gibt, die aber über Simulation mithilfe des physiologischen Adaptationsmodels PerPot parametrisch auf prototypische Grundmuster zurückgeführt werden können.
© Copyright 2006 Alle Rechte vorbehalten.