Snímač výkonu pomocou neurónové siete

[Raff]

Dobrý deň. Som postavil neurónové siete pomocou softvéru Matlab. Mám dáta zo 2 snímačov, ktorá je ultrazvukový senzor a senzor vzdialenosti. Tieto dva snímače budú dávať Výstupné napätie pre meranie vzdialenosti. Tak som chcel hodnotiť výkon obrazového snímača pomocou neurónové siete. Algoritmus, ktorý je aj použitie LM algoritmus. Pokiaľ viem, 80% vstupných dát je pre vzdelávanie a zvyšných 20% je pre testovanie. Pomocou NN chcem hodnotiť chybu medzi hodnotou snímača a skutočnou hodnotou meranej hodnoty /. Napríklad, senzor hodnota je 50 cm, ale odhad hodnota je 48 cm. Ako hodnotiť túto chybu skontrolovať výkon snímača? 1. Mal by som mať všetky snímače hodnotu vstupných dát a výstupné / cieľový dáta reálna hodnota / nameraná hodnota alebo 2. 80% senzor hodnotu vstupných dát a z 20% na výstupe? Vďaka.

 

[emresel]

Drahý priateľ, čo máte na mysli zatiaľ čo hovorí "hodnotí výkon obrazového snímača pomocou neurónové siete" a "vyhodnotiť chybu". Jeho zvuk je pre mňa trochu zvláštne. Ale ak chcete urobiť odhad, ktorý prevádza analógový výstup snímače na meranie vzdialenosti, potom je aplikácia NN. K tomu by ste mali dodržiavať metódy 1. Použiť analógové meranie ako vstup a skutočných fyzikálnych meraní hodnôt ako ciele. Uchovávajte vlaku a testovacie pomery, ako ste uviedol (80% až 20%), je celkom rozumné. Myslím si, že by zvolili lineárny výstupný neuróny v NN. Veľa šťastia

 

[Raff]

Vďaka za odpoveď emresel som prevádza analógový výstup snímača vzdialenosti v cm pomocou C programu a použiť hodnotu v "CM" pre NN. Mám trochu zmätený, ako porovnať senzor hodnoty a hodnoty merania pomocou NN. Urobil som takhle NN. 1. Vstupné údaje nastaviť hodnotu 2 = senzor. Výstupné dáta set = nameraná hodnota Je to pravda? Vďaka za radu

 

[emresel]

Ahoj Raff, Ako som undertsand, môžete previesť analógovú hodnotu na cm v programe C. Je to tak? Potom máte nameranú hodnotu vášho snímača a zodpovedajúce skutočnej hodnoty (tj merané pravítkom). tj skutočné merania (s pravítkom) je 49 cm, váš výstup senzora je (v prepočte podľa programu C) 51 cm (zavedenie nejaké chyby). OK v tomto prípade čo chcete použiť s NN? Mohli by ste mi prosím vysvetliť, konkrétne? Môže byť potom vám môže pomôcť konkrétnejšie.

 

[Raff]

Áno emresel. Urobil som taký. Tam výstupu snímača a skutočná hodnota je prevzatá z 0cm do 110 cm a majú chybu medzi výstupu snímačov a aktuálneho merania, keď je vzdialenosť väčšia. Môžem použiť neurónovou sieť sa dostať čiastku štvorcové chyby (SSE), tak to môže overiť výkon snímača? Je to spoľahlivý pomocou neurónové siete? Díky moc.

 

[emresel]

Drahý priateľovi, môžem povedať, že; Použiť senzorov výstupné hodnoty (v cm) ako vstupy Aktuálne measerement hodnotám, ako sú ciele a trénovať NN. Tak, že ho môžete použiť na opravu svojho výstupu snímača. Veľa šťastia

 

[Raff]

Vážení emresel, díky moc a snažil som sa ju a jej prácu. Teraz som sa snaží trénovať s iným uhlom, pretože iný uhol dať iný hodnoty merania. Ak by aj oddeliť to, aby rôzne dátové sady alebo kombinovať v jednom dátovom súbore? Napríklad, majú o 90 stupňov a 80 stupňov uhla, kombinovať dohromady, alebo trénovať samostatne. Vďaka priateľ.

 

[emresel]

Ahoj Raff, samostatné siete je tiež možné riešenie. Ale keby som si ja by sa uhol a senzor merania ako vstupy (dva rozmerné vstupné vektory) a skutočných meranie cieľov. A vlak NN zodpovedajúcim spôsobom. V tomto prípade váš NN by sa mal pokúsiť opraviť akékoľvek meraní medzi výsledkami referenčnej uhol (tj máte 80deg a 90DEG referencie meracie v vlakovej súpravy, ale váš systém robiť merania na 85deg) Na druhej strane, môže to byť trochu zložitejšie . Pretože v tomto prípade vaše vstupné parametre majú rôzne domény a rozsahy (tj vzdialenosť v cm a v rozsahu 10-100cm, na druhú stranu uhla stupňa a v rozsahu 45-135 stupňov, len ako príklad). Takže v tomto prípade môže byť potrebné ďalšie tréningové dáta a použiť nejakú pre-post-spracovanie sú dáta známe ako normalizácia (skontrolujte prestd a trastd funkcie v MATLAB) - Veľa šťastia

 

[Raff]

Vážení emresel som sledovať vaše inštrukcie o neurónové siete. Kombinovanú údaje pomocou prestd a trastd je to trochu zložitejšie. MSE taktiež odlišné v porovnaní s prvým roztokom pomocou samostatné údaje). Na dnes, som ešte používať jednotlivé údaje a spracovať ich jednu po druhej. Mojím cieľom je overiť výkonnosť senzora pomocou MSE. Po tréningovom procese pomocou neurónové siete (LM algoritmus), zníži sa hodnota MSE. Na dnes, Im použitie všetkých dát (100%), ako tréningových dát k zníženiu hodnoty MSE a výsledkom je úspešný. Mal by som mať 20% dát ako testovacieho procesu? Na teraz som zmätená, či bude použité 80% na školenia a 20% a 100% využitie ako tréning. Cieľ iba znížiť hodnotu MSE. Díky moc.

 

[emresel]

Ahoj Raff;

V teraz Im použitie všetkých dát (100%), ako tréningových dát k zníženiu hodnoty MSE

V tomto prípade, ako môžete hodnotiť výkon siete, ak použijete všetky vzorky (100%) na školení? Potrebujete niektoré údaje stanovené pre hodnotenie výkonu siete (pochopiť, ak je vyškolený v dobrom spôsobom alebo nie) Aby sa znížila chybovosť, môžete použiť rôzne školenia-test (overovanie) stratégie. Pozrite sa na dokument, to je viac logické použiť tento druh metód pre zvýšenie výkonu (tj k-krát) Tu je kód MATLAB pre k-krát, že som pred kódujú (zmena * V TXT do *. M). Pre vašu informáciu, nádeje pomáha.