Möglichkeit, zu der es in traditionellen neuronalen Netzen keine Ents prechung gibt. Biologische Experimente haben gezeigt, dass diese Aktivierungskorrelationen eine signifikante Rolle in der Informationsverarbeitung neuronaler Systeme spielen.³¹ Im Abschnitt 4.3.1 sollen zunächst zwei Modelle für die Modellierung  von Neuronalen Netzen mit Feedback vorgestellt werden. Diese Modelle eignen sich durch die groß e Zahl an Verknüpfungen besonders für die Arbeit mit Aktivierungskorrelationen. Neben der Identifizierung von korrelierter Aktivierung können Spike Neuronen di ese aber auch induzieren, indem dieselben Spike Trains an verschiedene postsynaptische Neuronen gesendet werden. Das erste hier angesprochene Modell wurde [Eckhorn et al., 1990]  entnommen, das zweite, ein ähnliches auf einem abstrakteren Niveau, [Kay und Phillips, 1996]. Neuronale Netze, basierend auf diesen Modellen, können hervorragend mit Netzen zur assoziativen Speicherung von Informationen, wie sie in Kapitel 4.4 vorgestellt werden, verbunden werden. Feedforward Informationen, die die gesuchte Erinnerung kodieren, werden in diese Netze eingespeist, als Feedback kommen in zeitlicher und räumlicher Kodierung Spike Trains, die die Erinnerung kodieren. Eine detaillierte Erläuterung folgt in 4.4.³² Prinzipiell kann jede Funktion, die mit einem dieser Modelle berechnet werden kann, auch mit einem konventionellen Netz aus sigmoiden Gattern oder einem Netzwerk aus Spiking Neuronen, die alle Informationen in ihren Aktivierungsraten kodieren, berechnet werden. Dies folgt aus der Erkenntnis, dass mit einem sigmoiden Netz jede beliebige stetige Funktion angenähert werden kann. Dadurch wird die Frage nach der Vorteilhaftigkeit der vorgestellten Modelle auf quantitative Aspekte reduziert. Diese quantitativen Aspekte sollen im Abschnitt 4.3.2 dieses Kapitels untersucht werden. 4.3.1   Modelle für neuronale Netze mit Feedback Ausgangsbasis des ersten Modells nach Eckhorn sind modifizierte Integrate-And-Fire Neuronen. Integrate-And-Fire Neuronen summieren (integrieren) ihren Input und werden aktiviert (feuern), sobald der Schwellwert überschritten ist. Integrate-And-Fire  Neuronen haben einen Widerstand (leaky integrator), durch den parallel zum „Aufladen“ des Neurons es gleichzeitig auch entladen wird (es leckt durch den Widerstand). Die Stärke des Entladens wird durch eine Zeitkonstante bestimmt. Das modifizierte Integrate-And-Fire Neuron hat zwei verschiedene Typen von Inputs: Feeding Input und Linking Input. Der Feeding Input kommt üblicherweise aus vorgeschalteten Verarbeitungsschichten und wird du rch Feedforward Verbindungen weitergeleitet. Der Linking Input kommt von nachgeschalteten Verarbeitungsschichten und wird über Feedback Verbindungen zurückg eleitet. Beide Inputs können eigene Leckströme mit verschiedenen Zeitkonstanten haben. Sie werden multipliziert, um das Membranpotential zu bilden. Abbildung 4.3, zeigt wie so ein modifizierter Schaltkreis aufgebaut wird, Abbildung 4.4 ist eine symbolische Darstellung des Neurons in Abbildung 4.3.                                                 31 vgl. [Eckhorn et al., 1988] 32 Grundlage diese Kapitels sind [Maass und Bishop, 1998], Kap. 2.7 und [Maass, 1998] 26