Möglicher Ablauf eines Trainings von Künstlichen Neuronalen
Transcription
Möglicher Ablauf eines Trainings von Künstlichen Neuronalen
Möglicher Ablauf eines Trainings von Künstlichen Neuronalen Netzen mit der Neural Network Toolbox in Matlab 1. Rohdaten / Messdaten 2. Datenbasis komplettieren / Fehlende Datensätze bei Bedarf ergänzen (Expertenwissen) 3. alle Datensätze normieren, getrennt nach Input und Output 4. zufälliges Mischen der Datensätze 5. Aufteilung der Datensätze in Trainings-, Validierungs- und Testdatensätze a. 70-85% der Datensätze werden als Trainingsdatensätze verwendet b. 10-20% der Datensätze werden als Validierungsdatensätze verwendet c. 5-10% der Datensätze werden als Testdatensätze verwendet 6. Definition des Netzes a. Welches Trainingsverfahren? b. Anzahl der Hiddenlayer und Hiddenneuronen? Die Anzahl der Verbindungsgewichte soll ca. 1/3 bis 1/2 der Anzahl der Trainingsdaten sein. c. Welche Aktivierungsfunktionen? Input- und Outputneuronen Lineare Aktivierungsfunktion Hiddenneuronen sigmoide Aktivierungsfunktion (tanh oder logsig) 7. Initialisierung der Verbindungsgewichte Speichern des initialisierten KNN wird wegen der Reproduzierbarkeit des Trainingsergebnisses empfohlen 8. Start des Training 9. Simulation der Trainings- Validierung-, Test- und der Gesamtdatensätze zur Fehlerberechnung und Funktionswertberechnung 10. Denormierung der Ausgabedaten des KNN 11. Bewertung des trainierten KNN und tabellarische Darstellung a. Lineare Regression (Korrelationskoeffizienten zwischen der Ausgabe des trainierten KNN und der Sollausgabe b. Mittlerer absoluter Fehler c. Maximaler Fehler d. Mittlerer quadratischer Fehler e. Median f. Standardabweichung g. … 12. Graphische Darstellung der Funktionswerte und der berechneten Kennwerte aus 10. 13. zurück zu 5., um eine 10-fach Kreuzvalidierung durchzuführen