---

---

se an die Verteilung der Eingabevektoren anpassen. Die Trainingsdaten, die dem Netzwerk im Verlauf der Lernphase bis zu 100.000mal präsentiert werden, sollten dabei ein möglichst breites Spektrum der später verwendeten Signale abdecken.

Eine sehr wichtige Eigenschaft der selbstorganisierenden Karte im Zusammenhang mit der Klassifizierung von Klangereignissen ist ihre Fähigkeit zur Generalisierung, also zur Einordnung von bisher unbekannten Signalen auf der Grundlage der gelernten Topologie. Das Ziel ist es, diese Einordnung möglichst gut mit unserer Klangvorstellung in Übereinstimmung zu bringen.

John Grey hat 1975 an der Stanford University Experimente zur Ähnlichkeitsbeurteilung der Klangfarben verschiedener Musikinstrumente durchgeführt und die Ergebnisse u. a. durch multidimensionale Skalierung (multidimensional scaling) in zwei, drei und vier Dimensionen ausgewertet.⁷

Dabei erwies sich die dreidimensionale Darstellung für den Klangfarbenraum am geeignetsten. Grey konnte den Dimensionen in diesem Fall sogar konkrete physikalische Klangeigenschaften zuordnen (spektrale Energieverteilung, Anteil von hochfrequenter Energie mit geringer Amplitude im Einschwingvorgang, spektrale Fluktuation/Hüllkurvensynchronität der Obertöne).

Daher scheint eine dreidimensionale topologische Karte für die Klassifizierung von Klängen besser geeignet zu sein als eine zweidimensionale. De Poli und Tonella gelang es 1993, Greys Ergebnisse mit einem neuronalen Netz von 8 × 8 × 8 = 512 Units weitgehend zu reproduzieren.⁸