Upload
azuka
View
45
Download
0
Embed Size (px)
DESCRIPTION
Spracovanie signálov zo senzorov. Milan Mišeje. Úlohy. Naštudujte metódy spracovania signálov zo senzorového po ľ a Naštudujte metódy umelej inteligencie V yu ž itia študovaných metód pri spracovaní signálov ISS. M etódy spracovania signálov zo senzorového po ľ a SP. Korelačná metóda - PowerPoint PPT Presentation
Citation preview
Spracovanie signálov zo senzorov
Milan Mišeje
2
Úlohy
Naštudujte metódy spracovania signálov zo senzorového poľa Naštudujte metódy umelej inteligencieVyužitia študovaných metód pri spracovaní signálov ISS
3
Metódy spracovania signálov zo senzorového poľa SP
Korelačná metódaVektorová metódaMetóda čiastočne najmenších štvorcovTransformovaná metóda najmenších štvorcov
4
Korelačná metóda KM
Fáza učenia Zadávanie vzorov
Fáza vybavovanie Vstupný signál zo senzorového poľa Výpočet korelačného koeficientu
5
Fáza učenia v KM
Priemerná hodnota N1jK1iE ij ,,;,,;
m
1kijkij E
m
1E
Eijk – výstup i-teho senzora v prostredí v j-tom stave pri k-tom meraním – počet meraní E pri jednom stave
6
Fáza vybavovania v KM
Predpätie hodnôt zložiek vzoru N1jE j ,,;
K
1iijj E
K
1E
Eij – hodnota zložky vzoru senzora i pri stave prostredia j
Predpätie signálu SP N1jU j ,,;
K
1iijj U
K
1U
Uij – hodnoty senzorov i SP pri stave prostredia j
7
Korelačný koeficient
Výpočet korelačného koeficientu
K
1i
K
1i
2jij
2jij
K
1ijijjij
EEUU
EEUU
1. Hodnota korelačného koeficientu je v intervale <-1;1>
2. Vzťah neplatí pre SP tvorené dvomi senzorovými elementmi
8
Neurónové siete
vhodné pre rozpoznávanie vzorov Hopfieldova sieť Rosenblattova perceprtonova sieť Kohonenova sieť RBF sieť
vhodné pre realizáciu charakteristík
Viacvrstvová perceptronová sieť RBF sieť
9
Kohonenova sieť
Princíp
2i
ii wxd
Vzdialenosť medzi vzormi
xi – zložky predloženého vzoruwi – zložky vzoru zakódovaného vo váhach neurónu
10
Kohonenova sieť
Štruktúra
11
Kohonenova sieť
Učenie
1. Nastavia sa váhy wij na malé náhodné počiatočné hodnoty
2. Predloží sa trénovací vzor na vstup N1 xx ,x
3. Každý neurón vypočíta vzdialenosť dj od predloženého vzoru
1N
0i
2ijij wxd
4. Výber neurónu s najmenšou vzdialenosťou od vzoru
jj
v dd min
5. Prispôsobia sa váhy víťaznému neurónu v a jeho okoliu
kwxt1kwkw ijiijij
12
Kohonenova sieť
Vybavovanie
1. Predloží sa neznámi vzor na vstup
N1 xx ,x
2. Výpočet najbližšieho vzoru
1N
0i
2ijij wxd
3. Výber neurónu s najmenšou vzdialenosťou od vzoru
jj
v dd min
4. Neurón s indexom v určuje triedu predloženého vzoru
13
Viacvrstvová perceprtonova sieť
Štruktúra
xx
x
ww
w
y
1
2
1
2
NN
f(.)...
xi – vstupywi – váhy vstupov – prahf(.) – aktivačná funkcia y – výstup
14
Viacvrstvová perceprtonova sieť
Princíp
N
1iii xwfy
Výstup z neurónu
e1
1f )(
Aktivačná funkcia (sigmoid)
15
Viacvrstvová perceprtonova sieť
Učenie
1. Nastavia sa váhy wij na náhodné hodnoty
2. Predloží sa trénovací vzor na vstup N1 xx ,x
3. Vypočíta sa hodnota energetickej funkcie
N
1i
2ii dy
2
1E
Vypočíta sa chyba pre výstupnú vrstvu
oi
oi
oii
oi y1yyd
Vypočítajú sa výstupy jednotlivých neurónov po vrstvách smerom od vstupu k výstupom
16
Viacvrstvová perceprtonova sieť
Učenie
4. Vypočíta sa pre zmena váh a prahov neurónov vo vrstve
5. Spätne sa vypočíta chyba pre všetky vrstvy v sieti až po vstup
6. Vypočíta sa hodnota energetickej funkcie
1kkk
1kwkykkwli
li
li
lij
1lj
li
lij
x
1k
lk
lki
1li
1li
1li wy1y
kk1k
kwkw1kwli
li
li
lij
lij
lij
17
Viacvrstvová perceprtonova sieť
Vybavovanie
;f
;f
;
o
h
o
T
θ ky
Nkx1kx
ho
hhh
yW
θxWy
x
x – vstupný vektorWh – matica váh v skrytej vrstveh – vektor prahov v skrytej vrstveWo – matica váh vo výstupnej vrstveo – vektor prahov vo výstupnej vrstvefh – aktivačná funkcia v skrytej vrstvefo – aktivačná funkcia vo výstupnej vrstvey – výstup
18
Hopfieldova sieť
Princíp
vzor 1 vzor 2 vzor 3
i
iii j
iij xxjxw2
1E
Minimalizovanie energetickej funkcie
19
Hopfieldova sieť
0 1 N-1
n n nw w w
w w w
w w w
y y y
x x x
n n n
n n n
1 0 001 10 N-1,0
0N-1 1N-1 N-1,N-2
02 12 N-1,1
0 1 N-1
N-10 1
2 2 1
N-1 N-1 N-2
f(.) f(.) f(.). . .. . .. . ....
Štruktúra
20
RBF sieť
Princíp
Jednoosová bázová funkcia
xcxf exp
Výstup zo siete
N
1iiijj xcwy exp
xc1
1xf
exp
21
RBF sieť
Štruktúra
RBF
RBF
xw
c
c
wx
1
11
1
N
NK
1 1
K
N
M
. . .. . .. . .
y
y
x1 - xM – vstupyc1 - cN – centráw11 -wNK – váhové koeficientyy1 - yK – výstupyRBFi – jednoosové bázové funkcie
22
Linearizácia prevodovej charakteristiky
Prevodová charakteristika snímača x201y .exp
0 20 40 60 80 1000
2
4
6
8
10
ys
u
23
Linearizácia prevodovej charakteristiky
0 2 4 6 8 100
20
40
60
80
100
u
yvInverzná prevodová charakteristika
24
Korekcia dynamickej chyby
Prenosová funkcia snímača v „s“ oblasti
1
1
1
sTs
K
sX
sYsF
Prenosová funkcia snímača v „z“ oblasti
1
2
11
1
1
1
11
1exp1
exp1
zK
zK
zTT
zTT
zX
zYzF
v
v
11
11
2
1
kyK
Kky
Kkx
Inverzný dynamický model
25
Korekcia dynamickej chyby
Simulačná schéma
y(k)
y(k-1)
x
sin(wt)
x
kt
1/z
ys
t
x
yv
1
s+1Senzor
p{1} y{1}
Neural Network
Clock
x
1
26
Korekcia dynamickej chyby
0 5 10 150
2
4
6
8
10
12
14x - proces, ys - snímač, yv - korekcia
čas [s]
x, y
s, y
v
x ysyv
27
Korekcia dynamickej chyby
0 5 10 15-6
-4
-2
0
2
4
čas [s]
yv-x
, ys-
xodchýlky od procesnej veličiny
yv-xys-x
Koniec
Ďakujem za pozornosť