Selbstorganisierende Karten,  oft auch Kohonen-Karten genannt, sind ein flexibles und oft  eingesetztes Werkzeug zur exploratorischen Datenanalyse. Hier lag unser Interesse darin,  die Einbettungseigenschaften von selbstorganiserenden Karten mathematisch zu  charakterisieren. Dabei haben wir robuste Lernverfahren mittels deterministischem  Annealing und  die Erweiterung von selbstorganisierenden Karten auf relationale  Repräsentationen von Daten, mit paarweisen Daten als Spezialfall,  vorgeschlagen. Wir  legten dabei das Augenmerk auf Kostenfunktionen und Optimierungsverfahren basierende  Formulierungen und untersuchten wie verschiedenen Varianten von selbstorganisierenden  Karten untereinander und mit der orginalen Kohonenkarte verwandt sind. Ausserdem  erforschten wir mit Learning Vector Quantization verwandte Prototyp-baiserte  Klassifikatoren mit einem besonderen Fokus auf verbesserten Lernverfahren.  Selbstorganiserende Karten wurden auch im Kontext des Verstehens von Selbstorganisations-  und Musterbildungs-Prozessen in der neuronalen Entwicklung untersucht, siehe auch die  "Forschungs"-Seite <link 89911>"Modelle der Neuronalen Entwicklung"</link>.<br /><br /> Danksagung: Diese Forschung wurde von der Technischen Universität Berlin gefördert.