Inhalt Ende 1 Einführung in JavaNNS Version 1.1SS2007 Kennlinie Lichtregelung in JavaNNS Version 1.1 Ulrich Lehmann, Johannes Brenig, Michael Schneider

1Einführung in JavaNNS Version 1.1SS2007

Inhalt

Ende

Kennlinie Lichtregelung in JavaNNSVersion 1.1

Ulrich Lehmann, Johannes Brenig, Michael Schneider


Inhalt

Ende

Inhalt

• Messaufbau

• Messwerte

• Netz erzeugen

• Pattern erzeugen und laden

• Control Panel

• Error Graph

• Weights

• Training des Netzes

• Darstellung in Excel

• Quellen


Inhalt

Ende

Messaufbau

Usmax = 12V

Ue Ua

Solarzelle

GlühbirneUe = Eingangsspannung

Ua = Ausgangsspannung


Inhalt

Ende

Messwerte der Kennlinie

Ua/V Ue/V0,1 0,1740,5 0,1740,9 0,2041 0,241

1,2 0,4441,3 0,6161,4 0,8411,5 1,0731,6 1,2961,7 1,551,8 1,772,2 2,5632,6 32,8 3,1633 3,27

3,2 3,3443,4 3,3983,6 3,4353,8 3,4714,2 3,52

Aus Ausarbeitung_KNN_Lichtregelstrecke


Inhalt

Ende

Messwerte - normiert

Kennlinie der Lichregelungnormiert

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Ua/V

Ue/

V

Ue/V

Diese Messwerte müssen für die Verwendung in JNNS normiert werden.-> sigmoide Aktivierungsfunktion-> Normierung auf ein Intervall von [0,05 0,95]

Ua/V Ue/V0,05 0,050,14 0,050,23 0,060,25 0,070,29 0,120,31 0,170,34 0,230,36 0,290,38 0,350,40 0,420,42 0,480,51 0,690,60 0,810,64 0,850,69 0,880,73 0,900,77 0,920,82 0,930,86 0,940,95 0,95


Inhalt

Ende

Messwerte - normiert

:

min[ ]( ) max[ ] min[ ] min[ ]

max[ ] min[ ]

:

min[ ] 0,1

max[ ] 4,2

max[ ] 0,95

min[ ] 0,05

0,1( ) 0,95 0,05 0,05

4,2 0,1

aa a a

a a

a

a

a

a

Formel zur Normierung

x Uu x normU normU normU

U U

Beispiel

U

U

normU

normU

xu x


Inhalt

Ende

Aufteilung in Trainings- Validierung- und Testdaten

14 Trainingsdatensätze

4 Validierungsdatensätze

2 Testdatensätze

Ua/V Ue/V0,05 0,050,14 0,050,23 0,060,25 0,070,29 0,120,31 0,170,34 0,230,36 0,290,38 0,350,40 0,420,42 0,480,51 0,690,60 0,810,64 0,850,69 0,880,73 0,900,77 0,920,82 0,930,86 0,940,95 0,95

TrainingsdatenTestdatenValidierungsdaten

Kennlinie der Lichregelungnormiert

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0

Ua/V

Ue

/V


Inhalt

Ende

Netz erzeugen


Inhalt

Ende

Netz erzeugen

Ausdehnung des Layer in x-Achse

Ausdehnung des Layer in y-Achse

Aktivierungsfunktion auswählen

Ausgabefunktion auswählen

Layertyp auswählen

Layer mit der gewählten Konfiguration erstellen (hier: Input-Layer)


Inhalt

Ende

Netz erzeugen

erzeugterInput-Layer

fortlaufende Nummerierung der Layer (automatisch)

Koordinaten der Unitsim Raum (automatisch fortlaufend)

Layer 2:Width 1Height 4Unit detail: - Hidden - Act_Logistic - Out_Identity


Inhalt

Ende

Netz erzeugen

Layer 3:Width 1 Height 2Unit detail: - hidden - Act_Logistic - Out_Identity

Layer 4:Width 1Height 1Unit detail: - Output - Act_Identity - Out_Identity


Inhalt

Ende

Netz erzeugen


Inhalt

Ende

Netz erzeugen


Inhalt

Ende

Netz erzeugen

Speichern des Netzes unter File> Save asNetwork name: z. B. Kennlinie.net


Inhalt

Ende

Pattern erzeugen

Pattern-Datei kann mit Text-Editor bearbeitet werden

Aufbau der Kopfzeile ist zwingend einzuhalten

Bereitstellung der Datensätze gemäßdiesem Muster(hier: Trainingspattern)

Anzahl der Ausgabeneuronen

Anzahl der Eingabeneuronen


Inhalt

Ende

Pattern erzeugen

Patterndatei mit vier Validierungsdatensätzen


Inhalt

Ende

Pattern erzeugen

Patterndatei mit zwei Testdaten (nur Eingabewerteund keine Ausgabewerte!)


Inhalt

Ende

Pattern-Dateien laden


Inhalt

Ende

Pattern-Dateien laden

Alle drei erzeugten Patterndateien auswählen und öffnen


Inhalt

Ende

Control Panel


Inhalt

Ende

Control Panel

Trainingspattern und Validierungspattern auswählen


Inhalt

Ende

Control Panel

zufällige Belegung der Gewichtezu Beginn des Trainings,um keine Symmetrie in den Gewichten zu erlangen

Festlegung des Intervalls,aus dem die zufälligen Werte für die Anfangsbelegung der Gewichte ausgewählt werden sollen


Inhalt

Ende

Control Panel

Auswahl des Trainingsverfahrens

Lernrate 0,1 bis 0,9

Maximaler zulässiger Fehler

Anzahl der Lernschritte

Anzahl der Schritte nach denen validiert werden soll

Zufällige Wahl der Trainingsdatensätze

Vor dem Lernen müssen die Gewichte initialisiert werden, d. h. mit zufälligen Startwerten belegt werden

Mit „Learn All“ werden alle Trainingsdatensätze zum Training herangezogen. Es sind noch weitere Einstellungen vor dem Training notwendig!


Inhalt

Ende

Error Graph

Graphische Darstellung von Trainings- und Validierungsfehler


Inhalt

Ende

Weights

Graphische Darstellungder Verbindungsgewichte Entsprechend der Aktivierung


Inhalt

Ende

Weights

Zielneuron

Quellneuron

Die Gewichte sind noch nicht aktiviert.

Aktivierung desVebindungsgewichtesz. B. von Neuron 5 zu Neuron 6


Inhalt

Ende

Training

Initialisieren der Gewichte


Inhalt

Ende

Training


Inhalt

Ende

Training


Inhalt

Ende

Kennlinie

0,0000

0,1000

0,2000

0,3000

0,4000

0,5000

0,6000

0,7000

0,8000

0,9000

1,0000

0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000

Trainingsdaten Output nach 100 Cyclen Output nach 200 Cyclen

Output nach 500 Cyclen Output nach 1000 Cyclen Output nach 2000 Cyclen

Excel

Excel starten und Datei „kennlinie.xls“ laden


Inhalt

Ende

Excel

Aktualisieren der Daten in Excel


Inhalt

Ende

Excel

Die vom Netz erzeugten Output-Werte nach 100 Cyclen

Die Output-Werte aus dem Trainingsdatensatz.

Die Input-Werte aus dem Trainingsdatensatz


Inhalt

Ende

Excel


Inhalt

Ende

Training


Inhalt

Ende

Training


Inhalt

Ende

Training


Inhalt

Ende

Training


Inhalt

Ende

Aufgabe

• Reduzieren Sie die Anzahl der Neuronen des bestehenden Beispiels soweit wie möglich und visualisieren Sie die Ergebnisse in Excel. Verwenden Sie unterschiedliche

– Parametereinstellungen (z.B. Lernrate, …)

– Trainingsverfahren

– „extreme“ Architekturen


Inhalt

Ende

Quellen

• Software „JNNS incl. Handbuch“:http://www-ra.informatik.uni-tuebingen.de/software/

• Software „Java“:http://www.java.com/de

• „Simulation neuronaler Netze“ von Andreas Zell

• Vorlesungsskript Prof. Lehmann


Inhalt

Ende

Vielen Dank für Ihre

Aufmerksamkeit !

Documents

Inhalt Ende 1 Einführung in JavaNNS Version 1.1SS2007 Kennlinie Lichtregelung in JavaNNS Version 1.1 Ulrich Lehmann, Johannes Brenig, Michael Schneider