der Zielfunktion dient, hier aber nur relative Bewertungen von Bedeutung sind, ist fraglich, ob die Verwendung des Bias sinnvoll ist.

Ein lineares Netz verwendet als Aktivierungsfunktion die Identität und eine gewichtete Summe als Netzeingabe. Ein solches Netz berechnet eine mehrstellige lineare Funktion der Aktivierung der Eingabeneuronen. Dabei kann auf versteckte Neuronen verzichtet werden, da lineare Netze mit versteckten Schichten sich durch ein äquivalentes Netz ohne versteckte Schichten darstellen lassen.²

Das MLP wird als flexibleres Vergleichsmodell verwendet. Ein MLP ist als Approximationsmodell sehr viel leistungsfähiger als ein lineares Modell und auch als ein fuzzy-logisches Netz. Gegenüber linearen Modellen ermöglicht die nichtlineare Aktivierungsfunktion, einen größeren Raum von Funktionen abzudecken. Gegenüber den FLN ist der größere Bereich von Gewichtswerten und die voll vernetzte Struktur eine Erweiterung. Allerdings geht in ein MLP nicht das Vorwissen ein, das in die Struktur eines FLP einkodiert ist. Für die MLP wird hier die logistische Funktion³

als sigmoide Aktivierungsfunktion benutzt, und die gewichtete Summe als Netzeingabe. Die hier als MLP4 bezeichnete Netzstruktur enthält eine versteckte Schicht mit vier Neuronen und Bias für alle versteckten und alle Ausgabe-Neuronen. Der Bias wird durch ein zusätzliches Input-Neuron mit konstanter Aktivierung 1 simuliert. Die Struktur dieses Netzes ist in Abbildung 12.4 dargestellt. Die als MLP3/3 bezeichnete Netzstruktur enthält eine zusätzliche Schicht versteckter Neuronen auf der Motivebene, die eine differenziertere Berechnung der Ähnlichkeitswerte ermöglicht. Beide versteckten Schichten enthalten je drei Neuronen. Dieses Netz wird in Abbildung 12.5 dargestellt.

Da das Training bei Beispielen für die Notenzuordnung GNoteQual als Ausgabeneuron benutzt, muß sichergestellt werden, daß die Aktivierung von GNoteQual positiv in die Gesamtbewertung eingeht. Ist dies nicht gegeben, kann der Fall eintreten, daß die Trainingsbeispiele zwar richtig trainiert werden, die Auswahl in der Anwendung aber falsch ist. Da die Notenzuordnung mit der höchsten Bewertung durch GNoteQual ausgewählt wird, diese aber negativ in die Gesamtbewertung eingeht, ist die Bewertung der Interpretationen anschließend möglicherweise nicht mehr mit den Trainingsbeispielen konsistent. Um dies zu verhindern, kann man bei Training und Auswahl versuchen, jeweils zu bestimmen, ob GNoteQual positiv oder negativ in die Gesamtbewertung eingeht. Diese Bestimmung ist aber bei nichtlinearen Aktivierungsfunktionen aufwendig. Da alle Eingaben der betroffenen Neuronen berücksichtigt werden müssen, wäre es dann nötig, alle Kombinationen von Notenzuordnungen in den verschiedenen Gruppen zu bewerten, was aus Effizienzgründen gerade vermieden werden sollte. Daher wurden bei diesen Versuchen alle Verbindungen, die von GNoteQual zu GIntrQual führen, auf nicht-negative Werte begrenzt. Dies führt zu einer Einschränkung der Funktionen, die das Netz berechnen kann. Sie betrifft allerdings nur relativ wenige Gewichte.