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