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.