Fehler auf relativen Beispielen ist bei allen Netzvarianten hoch, wobei ein relativer Fehler schon gezählt wird, wenn der -Abstand der Bewertungen unterschritten wird. Der -Abstand wurde, wie auch in allen anderen Versuchen, auf 0,0001 gesetzt. Man sieht, daß das fuzzy-logische Netz aus Kapitel 9 mit der Fehlerquadratsumme als Fehlermaß und semilinearer Aktivierung bessere Ergebnisse liefert als mit dem Cross-Entropie-Fehler und sigmoider Aktivierung des Komparatorneurons. Bei der Verwendung des Cross-Entropie-Fehlers ist zwar die Anzahl der Fehler auf den relativen Beispielen kleiner, aber der Generalisierungsfehler höher. Ein Neuronales Netz ohne versteckte Schichten mit gewichteter Summe und sigmoider Aktivierungsfunktion liegt im gleichen Bereich wie das fuzzy-logische Netz, während ein lineares Netz deutlich schlechtere Ergebnisse liefert.

Bei den Werten ist zu beachten, daß die Daten widersprüchliche Beispiele enthalten, weil gleiche Sequenzen von verschiedenen Versuchspersonen verschieden interpretiert wurden. Unter Berücksichtigung der Kompatibilität beträgt die minimale Anzahl der Fehler auf der Trainingsmenge 5 und auf der Testmenge 3. Daher sind dies gute Ergebnisse, insbesondere wenn man berücksichtigt, daß metrische Aspekte hier nicht explizit modelliert werden. Auch wenn das Zusammenwirken von metrischer Gliederung und Gruppierung weder musiktheoretisch noch musikpsychologisch geklärt ist, so muß man doch annehmen, daß die metrische Gliederung bei der Gruppierung eine Rolle spielt.⁹

Es überrascht daher, daß das ISSM die Gruppierung so reproduziert. Eine mögliche Erklärung liegt in der zeitlichen Anordnung der Noten in den Sequenzen, die zufällig erzeugt wurden und kaum Regelmäßigkeiten enthalten. Sie unterstützten daher die Bildung eines Metrums beim Hörer schlecht oder gar nicht. Die Beispiele haben auch keine motivische Organisation durch Wiederholungen oder Variationen, außer zufällig entstandenen, die aber selten sind. Daher enthalten sie weniger metrische und motivische Indikatoren für die Gruppierung als die Rhythmen, die in der Musik üblich sind, und es ist anzunehmen, daß dann die im ISSM berücksichtigten Faktoren der zeitlichen Nähe, Gruppenlänge und Gruppendauer ausschlaggebend sind für die wahrgenommene Gruppierung.

11.2.2.  Klassifikation von Motiven

Bei der Anwendung des ISSM zur Klassifikation von Motiven wird bei gegebener Segmentierung nur die Ähnlichkeit von Motiven ISSM bestimmt. Die Aufgabe ist, Motive einer von mehreren vorgegebenen Klassen zuzuordnen. D.h. eine Eingabe wird aus einer Vorgabe von mehreren Motiven dem ähnlichsten zugeordnet. Wahrnehmungsmäßig entspricht dies der kategorialen Wahrnehmung, die Motive Kategorien zuordnet.¹⁰

Die Klassifikation bzw. Kategorisierung ist wichtig für die Modellierung des Wiedererkennens von Motiven in Vergleich und paradigmatischer Analyse, da man nicht alle Motive speichern kann sondern diese zusammenfassen muß. Für Retrieval ist eine Erkennung von Motivklassen wichtig, um eine fehlertolerante Suche zu ermöglichen und um nach Strukturen, z.B. einer achttaktigen