Künstlich Neuronales Netz (KNN) zur Modellierung der magnetischen Flussdichte

1Schwebende Kugel – MATLAB/SimulinkSS2007

Inhalt

M. Schneider, A. Lodwich, U. Lehmann, J. Brenig, D. Reinarz

Inhalt

• Datenaufbereitung

• Training des KNN

• Test des KNN in MATLAB

• Test des KNN in Simulink

• Test des KNN in Simulink mit Daten aus dem Workspace

• Quellenverzeichnis

• Fragen

Inhalt

Technologieschema Komponenten des Regelkreises

Regelstrecke

PC mit ReglerVerstärker/ Stellglied

Zeilenkamera/Messeinrichtung

Inhalt

Schwebende Kugel im Magnetfeld

Inhalt

Technologieschema (Animation)

Inhalt

Datenaufbereitung

Tabelle A2 aus der Diplomarbeit „Schwebende Kugel“ von D. Reinarz (http://stud-in.fh-swf.de/Dirk.Reinarz/)

Einheiten umrechnen!!![mm] [m][mT] [T][V] [V]

Inhalt

Datenaufbereitung

• Tabelle A2 in der Diplomarbeit markieren, kopieren und in Excel einfügen

• Einheiten prüfen und bei Bedarf umrechnen

• Daten auf Vollständigkeit prüfen, evtl. Anfangsbedingungen einfügen

• Daten aufteilen in Trainings-, Validierungs- und Testdaten

• Daten sortieren und speichern

Inhalt

Datenaufbereitung

Inhalt

Datenaufbereitung

Inhalt

Datenaufbereitung

Festlegen der Trainings-, Validierungs- und Testdaten!

Tabelle mit allen Daten muss noch in eine für die NN-Toolbox passende Form gebracht werden!

Inhalt

Datenaufbereitung

Benötigtes Format:

1. Spalte:Input 1: Spannung U [V]

2. Spalte:Input 2: Position Pos [m]

3. Spalte:Output: Magnetfeld B [T]

-> Tabelle in die benötigte Form bringen ( z. B. Copy and Paste)

●●●

Inhalt

Datenaufbereitung

Inhalt

Datenaufbereitung

Aufteilung in verschiedene Einzeltabellen für Training, Validierung und Test auf separaten Arbeitsblättern für die Weiterverarbeitung in MATLAB

Markieren aller Trainingsdaten in der Tabelle

Verknüpfen hat den Vorteil, dass Aktualisierungen mit übernommen werden!!

Inhalt

Datenaufbereitung

4 Arbeitsblätter:

Trainingsdaten

Validierungsdaten

Testdaten

Eingabe- und Ausgabewert des KNN müssen korrespondieren!

Tabelle gesamt

Spalte mit Ust in [V]

Spalte mit Pos in [m]

Spalte mit B in [T]

Inhalt

Datenaufbereitung

Für MATLAB werden 6 Matrizen mit den entsprechenden Daten benötigt (z. B. input_train, input_valid, input_test, target_train, target_valid, target_test ).

Insgesamt gibt es 126 Datensätzen! Nach der Aufteilung muss die Summe der Trainings-, Validierungs- und Testdatensätze 126 ergeben!

Daten müssen in MATLAB in die entsprechende Matrix eingelesen werden

Inhalt

Datenaufbereitung

Import über MATLAB - Funktion xlsread:

>> input_train = xlsread('Daten_Excel','Trainingsdaten', 'A3:B102');

Die Daten der Felder A3 bis B102 des Arbeitsblattes „Trainingsdaten“ der Exceltabelle Daten_Excel wird als Matrix mit dem Namen input_train eingelesen

ODER:input_train = xlsread(‘Daten_Excel‘, -1);-> Daten, die eingelesen werden sollen, können mit der Maus markiert werden

-> beide Varianten: gleiches Ergebnis

Inhalt

Datenaufbereitung

Die NN-Toolbox liest die Daten spaltenweise ein, d. h. die einzelnen Matrizen müssen transponiert werden, so dass pro Inputneuron bzw. Targetneuron eine Zeile entsteht. Hierfür die MATLAB-Funktion transpose nutzen

Inhalt

Datenaufbereitung

Inhalt

Datenaufbereitung

Insgesamt gibt es 126 Datensätzen! Nach der Aufteilung muss die Summe der Trainings- (100), Validierungs- (18) und Testdatensätze (8) wieder 126 ergeben!

Matrix mit 2 Zeilen und 100 Spalten

Inhalt

Datenaufbereitung

Insgesamt gibt es 126 Datensätzen! Nach der Aufteilung muss die Summe der Trainings- (100), Validierungs- (18) und Testdatensätze (8) 126 ergeben

Matrix mit 1 Zeile und 100 Spalten

Inhalt

• „nntool“ über das „Command Window“ aufrufen

• Die Inputs (3 St.) und Targets (3 St.) aus dem Workspace mit „Import“ in den „Data Manager“ importieren.

• Im „Data Manager“ den Button „New Network“ betätigen, um ein Netzwerk zu erstellen. Dort können der Name, der Network Type, die Input Ranges, das Trainingsverfahren, die Anzahl der Layer, die Anzahl der Neuronen pro Layer und die Aktivierungsfunktion, etc. definiert werden. Der Input-Layer zählt hier nicht als Layer. Bevor das Netz mit „Create“ erstellt wird, kann es über „View“ angeschaut werden. Das ist gerade bei größeren Netzen sinnvoll.

Inhalt

• Jetzt im „Data Manager“ das erstellte Netz auswählen und den Button „Train“ betätigen, um die Trainingsparameter einzustellen und die Matrizen mit den Trainings-, Validierungs- und Testdaten auszuwählen.

• Initialisieren Sie vor dem Training die Gewichte.

• Jetzt kann trainiert werden!

• Die Fehlerkurve wird automatisch angezeigt.

• Speichern der Zwischenergebnisse nicht vergessen!

• Evtl. Training mit anderen Parametern wiederholen bzw. Netzarchitektur verändern, wenn die Werte der Fehlerkurven noch zu groß sind (vorher muss das Netz initialisiert werden: entweder auf die gleichen Werte wie beim 1. Trainingsversuch -> Revert Weights oder auf neue Werte -> Initialize Weights)

Inhalt

>>nntool

KNN erstellen und KNN trainieren!

Trainingsverfahren:- traingd- traingdm- trainrp- trainlm- etc.(Beschreibung der Trainingsverfahren unter HELP -> NNToolbox -> User Guide)

Nach erfolgreichem Training das KNN in Workspace exportieren für die weitere Bearbeitung.

Inhalt

Architektur kann frei gewählt werden zum Beispiel 2 – 4 – 3 – 1

Inhalt

Trainingseinstellungen

Inhalt

Spätestens hier die „Input Ranges“ kontrollieren!Input 1 = Ust Welche möglichen Spannungen können auftreten?Input 2 = Pos Welche möglichen Positionen können auftreten? Wurden Sicherheiten eingebaut? Muss das KNN extrapolieren?

Geänderte Werte mitSet Input Range bestätigen

Inhalt

Trainingsverfahren kann frei gewählt werdenhier als Beispiel Resilient Backpropagation (trainrp)

Inhalt

Fehlerkurven

2. Beispiel Levenberg-Marquardt backpropagation (trainlm)

Inhalt

Test des KNN in MATLAB Daten aus Excel

• Magnetisches Verhalten

• Abhängigkeit von Spannung

Copy & PasteCopy & Paste

Inhalt

Test des KNN in MATLAB KNN erzeugen

Inhalt

Test des KNN in MATLAB Training

Inhalt

Test des KNN in MATLAB MATLAB Skript

Inhalt

Test des KNN in MATLAB MatLab Skript 2

Spannungen von 3.5 bis 5.5VEntfernungen 2 bis 12cm

Inhalt

Test des KNN in MATLAB Übertragungsfunktion vergleichen

Originaldaten

Gelerntes Verhalten

Inhalt

Test des KNN in Simulink

WICHTIG: Abtastzeiten für die beiden Inputs des KNN abgleichen!(Berechnung)

>>gensim(net,st)

net -- Neural network aus Workspacest -- Sample time (default = 1)

st = -1 to get a continuously sampling network

Inhalt

Test des KNN in Simulink

Inhalt

Simulink

Synchronisation der beiden Blöcke!!! (sehr wichtig!!!)

Welche Spannnungen Ust in [V] dienen als Input für das KNN?

Welche Abstände d in [m] dienen als Input für das KNN?

Die Spannung ist über einen gewissen Zeitraum konstant. Dieser Zeitraum ist abhängig von den möglichen Abständen. Hier in diesem Beispiel: d=[0 0.14] in Schritten von 0,05

29 Schritte von d für die Sample Time

17 Werte für die Spannung U von 0V bis 8V in Schritten von 0,5V 17*29 = 493 Werte als Simulationsdauer

Inhalt

Test des KNN in SimulinkUst [V]

Inhalt

Test des KNN in Simulink mit Daten aus dem Workspace

Hier den Namen der Matrix eintragen, die die Daten für die Simulation enthält. In diesem Beispiel zur Demonstration die Trainingsdaten. Es kann aber auch eine neue Matrix mit dem gesamten Datensatz zur Simulation erstellt werden.

Inhalt

Test des KNN in Simulink mit Daten aus dem Workspace

Das Simulink-Modell liest den Datensatz zeilenweise ein.

Für das Simulink-Modell muss eine Zeitkomponente in die Matrix eingefügt werden (= 1. Spalte)

Inhalt

Test des KNN in Simulink mit Daten aus dem WorkspaceMagnetische Flussdichte B in [T] Sollwert

Steuerspannung Ust in [V]

Position Pos in [m]

Magnetische Flussdichte B in [T] Istwert

Inhalt

Quellen

• Neural Networks User's Guide (nnet.pdf) aus der MATLAB-Hilfe für die Neural Network Toolbox

• Diplomarbeit „Fuzzy-Lageregelung einer schwebenden Kugel mittels Echtzeitbildverarbeitung“ von Dirk Reinarz, September 1997, http://stud-in.fh-swf.de/Dirk.Reinarz/

• Vorlesungsskript Prof. Lehmann

Inhalt

Fragen

Vielen Dank für Ihre

Aufmerksamkeit !

Künstlich Neuronales Netz (KNN) zur Modellierung der magnetischen Flussdichte

Documents

Perfilado temporal en redes neuronales convolucionales

Junkerberg Erlebnisturnfest 2016 Friedhof · Knn e i ckengr aben Harste angergraben algraben Esebeeke Rotte Kohlweggraben Feuerteichgraben Elliehäuser Bach Elliehäuser Bach Rischengraben

UNIVERSITAT HAMBURG TECHNISCHE UNIVERSITAT HAMBURG …net-architekt.de/wp-content/uploads/2013/01/Diplomarbeit.pdf · 6 Ermittelte optimale Parameter f ur die kNN-Methode (PKV)

SS 2006 2 41 1 4. Konzepte des Konnektionismus (KNN) R4 4. Konzepte des Konnektionismus – Theorie Künstlich Neuronaler Netze Jörg Krone, Ulrich Lehmann,

3. Das Magnetfeld - ate.uni-due.de · • Die magnetische Flussdichte B wurde über die Kraftwirkung des Magnet- feldes definiert (Betrachtung: Leiterstrom Magnetfeld Flussdichte

Futuregram #05 || Artificial Coworking Sag Hallo zu deiner ... · computerprogramm verwandelt grafik in code Das Kopenhagener Start-up UIzard Technologies hat ein neuronales Netzwerk

Neuronales Qualitätsmanagement Peter Richter R&K Risk Management 1 von 64 Teil 1 Die neuen Herausforderungen Teil 2 Nachteile von QM-Modellen

MEDIADATEN 2017 - hofundmarkt.at · biete tU rgeide oß Vorteile , allerding knn ein zu hoher Nährstoffgehalt im Boden ein Abknicken de sGetreide verur-sac hen, was die E rnt e rschw

Hopfield Netz Künstliches Neuronales Netz nach John Hopfield 29.04.20141Cyrill Gyger

Ein Neuronales Netz könnte lernen indem es … Neuronale Netze … neue Verbindungen entwickelt … vorhandene Verbindungen löscht … Verbindungsgewichte verändert

Physik - Startseite · zwischen der Kathode und er Anode beschleunigt und treten durch das Loch in der Anode dahinter senkrecht zu den Feldlinien in ein Magnetfeld der Flussdichte

DAS ÖSTERREICHISCHE KOMPETENZZENTRUM FÜR … · Knn Ga ca Vhach Dch n nhach nnn | 1 a Rch NF Sa GH Wenn es um Arbeitssicherheit oder Brandschutz geht, finden Sie in uns Ihren sicheren

Physikalisches Praktikum - uni-giessen.de...Magn.Flussdichte: 1 Gauss = 10 4 Vs/m2 = 10 4 T (Tesla) Magnetische Flussdichte wird teilweise auch als magnetische Feldst arke bezeichnet,

Modeling Wine Quality Using Classification and Regression · Analysis when running model such as Decision Tree Regression and classi•cation algorithm such as SVM, KNN, and Decision

Neuronale Netze 03 - FB IKStlange/pdf/Neuronale Netze 1.pdf · FB Elektrotechnik Prof. Dr.-Ing. Tatjana Lange Neuronale Netze 3 Fachhochschule Merseburg Was ist ein Neuron ? Neuronales

140207 Aufgaben PH 14 - Startseite - ISB · PDF file– 2 – BE Ph 11 – 1 1. Bestimmung der magnetischen Flussdichte Ein Hufeisenmagnet liegt auf einer Digitalwaage. Ein Drahtbügel

Apuntes de Redes Neuronales Artificiales Handouts for ...Hay ejemplos para problemas de clasificación, para problemas lineales y no-lineales. En la parte final se muestra la arquitectura

Modulhandbuch - fh-bielefeld.deII... · Potential, elektrische Flussdichte und elektrischer Fluss, Polarisation, Kondensator Elektrische Strömung Elektrische Leitungsstromstärke

Journal forestier suisse für Forstwesen rivista forestale ... · Pierre Mollet, Martin Hostettler ... Bastien JC, Sanchez L, Bréda N) ... duktivitäten mittels der kNN-Methode (Kostadi-nov

Die beste der möglichen Welten - leibniz-gemeinschaft.de · Das Mikroskop beleuchtet die Probe mit Licht-mustern, die ein selbstlernendes neuronales Netzwerk exakt auf sie abstimmt