spieleprogrammierer.de - Forum und Wiki zur Spieleprogrammierung und Spieleentwicklung

Hallo

Ich will versuchen objektorientiertes Programmieren zu lernen. Dazu habe ich jetzt viel in meinem neuen Lehrbuch gelesen und die Beispielprogramme darin nachprogrammiert. Das hat funktioniert, aber da hatte ich halt auch fertigen Code.... Trotz des vielen Arbeiten mit dem Lehrbuch fühle ich mich noch sehr, sehr schwach im objektorientierten Denken. Meine Denkweise ist total seriell. :-(

Der Autor schreibt, dass man als erstes eine Analyse durchführen muss um die am Programm beteiligten Objekte und damit ihre Klassen zu identifizieren, und um danach eine Beschreibung ihres Verhaltens zueinander zu finden. Dies möchte ich jetzt an einem Beispiel selbst versuchen.

Ich konnte beim C++ lernen ein funktionierendes neuronales Netz zum speichern und (verrauschten) wiedererkennen von Informationen programmieren (ein sog. Autoassociator). Dies jedoch im Spaghetti-Code. Mein Ziel wird sein mein Programm nochmal neu zu schreiben und zwar objektorientiert. Mein Programm ist hier als Anhang hochgeladen. Ich erkläre nun was es macht. Bitte compiliert es und seht die Ausgabe an.

Hopfield-Netzwerk.cpp

Zuerst definiere ich mir aus einer Gleichverteilung zwei zufällige, binäre Muster §x_i \in \{0,1 \}^{\mathrm{N}} §, mit der Dimension §\mathrm{N}§. Diese Dimension entspricht auch der Anzahl der Neuronen. Danach konstruiere ich die sog. §( \mathrm{N} \times \mathrm{N} )§-Adjazenzmatrix §W_{ij}§ (welche die Struktur des neuronales Netzes wieder spiegelt):

§ W_{ij} = \sum\limits_{k=1}^{2} x_i^k x_j^k §

Die Diagonalelemente sind nicht zu Null gesetzt. Ich erlaube im Netz also Selbstkopplungen der Neuronen. In dieser Matrix sind die zwei Muster gespeichert. Nun existieren §2^{\mathrm{N}}§ mögliche Testvektoren, die man dem Netz präsentieren kann. Das bedeutet ich schnappe mir einen beliebigen Testvektor, gebe diesen dem Netz als Eingabe und gucke was heraus kommt. Sollte der Testvektor eine der gespeicherten Informationen sein, muss diese auch als Ausgabe erscheinen. Der Null Vektor geht immer in den Nullvektor über.

Das Netz hat dann eine Information gefunden, wenn es von Lern- zu Lernschritt keine Veränderung mehr findet. Das geschieht durch eine sog. "synchrone Update-Regel" der Form:

§ x_i(n) = f \left( \sum\limits_{j=1}^{N} W_{ij} x_j(n-1) \right) §

Die Ausgabe ist also der Vektor, der sich von Iteration zu Iteration unter dieser Lernregel nicht ändert. Man nennt diese Vektoren Attraktoren oder auch Fixpunkte des Netzes. Die Funktion §f§ ist die sog. Transferfunktion und wird bei mir durch eine Stufenfunktion realisiert:

§f(t) = \begin{cases} 1 \text{ falls } t \geq \Theta \\ 0 \text{ falls } t< \Theta \end{cases}§ und §\Theta§ ist der Threasholdwert.

Das ist so zu verstehen, dass in der biologischen Motivation Signale durch Dendriten einlaufen, vom Zellkörper aufsummiert werden und wenn ein bestimmter Schwellenwert/Threshold erreicht ist, das Neuron über sog. Axon signale wieder feuert.

Das war per se ein Hopfield Netz. Mein Programm geht an der Stelle aber noch weiter. Ich wähle mir nicht nur ein beliebiges Testmuster und berechne was das Netz damit macht, sondern ich präsentiere dem Netz alle möglichen §2^{ \mathrm{N}}§ Vektoren die existieren und lasse für jeden einzelnen ausgeben in welchen stabilen Zustand es läuft und und lasse mir auch ausgeben welche gelernten Bilder alle wiedererkannt wurden. Das ist die Verallgemeinerung von obiger Beschreibung in einer großen Schleife über alle möglichen Konfigurationen.

Nun ist die Frage wie ich dieses Vorgehen und mein Programm objektorientiert aufbauen würde.

Naiv würde ich sagen, dass alle obigen Eigeschaften Zwei Objekte beschreiben.

1. Objekt: Neuronen
2. Objekt: Netzwerk

Die Konstruktion der Adjazenzmatrix sollte in Netzwerk enthalten sein. Die Lernregel in Neuronen. Hier bin ich mir aber schon nicht mehr sicher, ob die Transferfunktion separat in Netzwerk gehört oder mit zu Neuronen.

Alles sehr schwammig und ich weiss nicht wie man korrekt analysiert, wie man mein Programm objektorientiert schreibt.

Wäre toll wenn mir da jemand mit Rat besteht mein Programm neu zu schreiben. Wie würdet ihr Vorschlagen das Problem zu analysieren?

Danke und Grüße