Fisher-Klassifikator

Als Fischer-Klassifikator wird ein Verfahren zu Klassifikation von Mustern bezeichnet. Sie geht auf eine Veröffentlichung von Ronald Aylmer Fisher im Jahre 1936 zurück.

In der Neuroinformatik bezeichnet er ein neuronales Netz, welches jedes eingehende Signal einer vordefinierten Gruppe zuordnet. Jedes Neuron hat hierbei genau so viele Eingänge, wie das eingehende Signal Kanäle aufweist und repräsentiert genau eine Gruppe. Außergewöhnlich ist, dass die Neuronen nicht untereinander vernetzt sind, wie man aus der Beschreibung „neuronales Netz“ schließen könnte. Vielmehr verarbeiten alle Neuronen das eingehende Signal unabhängig voneinander und geben daraufhin ein Ausgangssignal aus. Das Neuron, welches das höchste Ausgangssignal ausgibt, repräsentiert dann die Gruppe, in die das Eingangssignal vom Netz eingeordnet wurde.

1 Beispiel Schrifterkennung

Das Eingangssignal bestehe aus Bildpunkten, die entweder schwarz oder weiß sein können. Aneinandergegliedert sollen die Bildpunkte ein schwarz/weiß-Bild eines beliebigen Buchstabens bilden.

Das Netz hat nun die Aufgabe, für jedes beliebige eingehende Bild zu bestimmen, welcher Buchstabe darauf zu erkennen ist. Dazu benötigt das Netz für jede(n) Klasse(Buchstaben) genau ein Neuron, welches genau auf diesen Buchstaben angelernt wird. Ist der Lernprozess beendet, kann dem Netz ein beliebiges Bild vorgelegt werden. Dieses wird dann genau das Neuron am meisten aktiv werden lassen, welches den Buchstaben repräsentiert, der dem vorgelegtem Bild am ähnlichsten sieht. Dabei sind alle möglichen Bilder denkbar, auch solche, die gar keine Buchstaben zeigen. In diesem Falle wird das Netz einen Buchstaben wählen, der dem Bild noch am nächsten kommt.