Ευφυή Συστήματα Ρομπότ ΘΕΜΑ 2006-07

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Δείτε περισσότερα εδώ...]

Συμβουλές καλής χρήσης του φόρουμ: Youtube embed code and links, Shoutbox, Notify, ...

Δείτε περισσότερα εδώ...

[morpheas83]

Μπορεί να είναι χαζή η ερώτηση αλλά που κολλάνε οι αποστάσεις μεταξύ των μετεωρολογικών σταθμών στη δεύτερη άσκηση και οι ΒΔ άνεμοι?

[JAs0n-X]

Πουθενα!!
Ή για ψαρωμα ή για μπερδεμα ή για πληρότητα της ασκησης.

[serafperd]

Δεν πολυκαταλαβα γιατι αυτο με το validation δεν το εχω διαβασει. Αλλα δεν νομιζω οτι χρειαζεται.
Η διαδικασια που ακολουθουμε ειναι:

train με ενα σετ δεδομενων
test με τα αλλα.

Αν εχει γινει overfitting θα φανει στο training (πολυ γρηγορη συγκλιση του αλγοριθμο ή παρα πολυ μικρο σφαλμα) και θα φανει στο testing (κακα αποτελεσματα). Οποτε validation κατα την εκπαιδευση για να εχεις early stop ισως και να μην χρειαζεται οπως και εσυ λες.

Να θυμισω οτι στα κρασια ΔΕΝ ξερουμε τα σωστα αποτλεσματα. ΟΚ εμεις τα βρηκαμε και στο ιντερνετ και ειναι οντως αυτα που λεμε αλλα δεν μπορεις να θεωρησεις οτι τα ξερεις. Απλα αν δεις ενα καλο classification (και οχι να ειναι αμφιβολλα) τοτε το δεχεσαι.

μμμ...ναι, η αλήθεια είναι ότι και αυτός δεν ανέφερε τίποτα στο εργαστήριο για Validation set, οπότε μάλλον θέλει να το κάνουμε όπως λες. Οπότε, εκπαδεύουμε το δίκτυο με κάποια δεδομένα και τα υπόλοιπα (test set) τα χρησιμοποιούμαι σε simulation για να δούμε τι ποσοστό επιτυχίας βγάζει.

ναι.
και απ οτι ειπε αυτος για να μαστε πιο σιγουροι στην αρχιτεκτονικη του δικτυου παιζουμε και με τα training και test sets λιγο...να δουμε οτι αν εκπαιδεύεται για άλλα δεδομένα βγάζει παλι σωστα αποτελεσματα.
βασικα αυτο ειναι βαρετο τωρα αλλα τσπ...
εμεις δεν το καναμε ακομα.

Συμφωνώ, και εγώ αυτό κατάλαβα. Καταλήγουμεσε μια αρχιτεκτονική καλή, με βάση κάποια training και test sets, και μετά με αυτή την αρχιτεκτονική παίζουμε, αλλάζοντας τα trainig και test...Μια απορία που έχω είναι: Θα αλλάζουμε και τα ποσοστά των συνόλων (π.χ. 70%-30%, μετά 60-40 κλπ.) ή μόνο τις εγγραφές με σταθερά ποσοστά;Πάντως λίγο που έχω δοκιμάσει, όντως από set σε set έχει διαφορά. Π.χ. από 96-98% ποσοστό επιτυχίας, με ίδια αναλογία αλλά διαφορετικά set έβγαζε 90-92% ποσσοτό επιτυχίας.
Και κάτι ακόμη: Αν κατάλαβα καλά, με καονικοποίηση [0,1] πρέπει να χρησιμοποιήσουμε συνάρτηση μεταφοράς εξόδου logsig, με κανονικοποίηση [-1,1] tansig, ενώ με την purelin μπορούμε να μην κάνουμε και καθόλου κανονικοποίηση. Ισχύουν αυτά;   

[JAs0n-X]

ε με τα ποσοστα παιζεις εσυ οπως σ αρεσει. Το κλασσικο παντως νομιζω ειναι 70-30.

Οσο για τις συναρτησεις μεταφορας ...δεν παιζει ρολο η κανονικοποιηση νομιζω! Οι συναρτησεις σαν ανεξαρτητη μεταβλητη παιρνουν σε ολο το διαστημα. Ας πει και κανενας αλλος.

[morpheas83]

Λοιπον ,στη δεύτερη άσκηση τί είσοδο βάζουμε στο δίκτυο?
Διδιάστατο πίνακα;
και αν ναι,με τί διαστάσεις; 
Τα νεύρα μου...

[JAs0n-X]

δισδιαστατο...
καθε γραμμη του πρεπει να εχει ως εισοδο τις παρελθοντικες τιμες που θες να λαβεις υπ οψην.

[morpheas83]

Αν είχαμε μόνο τον σταθμό S3 και μας ενδιέφεραν 5 παρελθοντικές τιμές ,κάθε γραμμή θα είχε 5 στοιχεία.
Τώρα που μας ενδιαφέρουν τα δεδομένα τριών σταθμών,κάθε γραμμή  πρεπει να έχει 15 στοιχεία?
Και πως θα είναι διατεταγμένα αυτα τα στοιχεία?
Εεεεεεε???

[JAs0n-X]

Εμεις το καναμε με καταλληλες ... ας πουμε ... μετατοπισεις των στηλων του πινακα!

[morpheas83]

Muchas gracias ....

[panch]

Για το ερώτημα Β :
1) Πρέπει να κάνουμε κανονικοποίηση της εισόδου ?

2) Δοκιμάσαμε να κάνουμε κανονικοποίηση και το mse πέφτει κάτω από 0.05. Παρόλα αυτά η
έξοδος ( αφού της κάνουμε απο-κανονικοποίηση ) διαφέρει σημαντικά από το Target έως και 3 κατ    απόλυτη τιμή. 

3) Χωρις κανονικοποίηση και για 3 παρελθοντικές τιμές (πίνακας Input 9x1497) έχουμε κάνει άπειρες     δοκιμές με 1 και 2 layers αλλά το  mse δεν πέφτει κάτω από 0.4.

4) H κανονικοποίηση του Input πρέπει να γίνει κατά σειρά (διαιρούμε κάθε σειρά με το max της) ή διαιρούμε τον Input με το μέγιστο στοιχείο όλου του πίνακα ?

Any ideas ?

[lars]

Παιδιά έχει κανένας ιδέα για το παραπάνω post του panch??
Έχουμε πρόβλημα με τη δεύτερη εργασία+είμαστε και λίγο της τελευταίας στιγμής, οπότε κάθε βοήθεια ευπρόσδεκτη!

Έχουμε δοκιμάσει από 5-50 νευρώνες, 1-3 layers, lr=0.1:0.2:4, mc=0:0.1:1, αλλάξαμε τις συναρτήσεις μεταφοράς, αλλάζαμε το ένα αλλάζαμε το άλλο, αλλά τπτ, το mse δε λέει να πέσει κάτω από 0.4!! Και μετά το |error| = |targetOutput - simOutput| στα αποτελέσματα φτάνει μέχρι και 4..

Με κανονικοποίηση είχαμε λίγο καλύτερο mse αλλά το error σταθερό κι αγέρωχο, φτάνει πάλι μέχρι 3.5-4!!

Τουλάχιστον μπορεί να πει κανείς τι error περίπου να περιμένουμε?

Και κάτι ακόμα, θέλει κι εδω validation set?

[abc]

Εγώ κανονικοποιώ ως προς το μέγιστο στοιχείο του πίνακα, max(max(Wind)).

Βέβαια υπάρχουν και οι συναρτήσεις prenmx, postnmx, mapminmax κλπ που κάνουν κανονικοποίηση αλλά κάπου είχα πρόβλημα με τις διαστάσεις των πινάκων.

Για το mse που λέτε, εμένα με βγάζει γύρω στο 0.001 ενώ χωρίς κανονικοποίηση είχα γύρω στ 1.
Και είναι λογικό να αλλάζει, αφού αλλάζουν και οι τιμές των δεδομένων εισόδου.

[lars]

Thanks abc!

Δεν έχουμε πρόβλημα με το mse (τουλάχιστον για τα κανονικοποιημένα δεδομένα) αλλά με το τελικό σφάλμα που παίρνει τιμές από -3.5 έως 3.5 (αφού αποκανονικοποιήσουμε και τα targets και τα inputs - στην ουσία αυτό μας ενδιαφέρει)

[morpheas83]

Δεν παραδίδουμε και το SLAM αυτή την Τετάρτη ,σωστά?

[JAs0n-X]

Δεν παραδίδουμε και το SLAM αυτή την Τετάρτη ,σωστά?

Λαθος!