Klassifikation von Messwerten mit Künstlich Neuronalem Netz

WICHTIG: Der Betrieb von goMatlab.de wird privat finanziert fortgesetzt. - Mehr Infos...

Partner:

Forum

Option

[Erweitert]

• Diese Seite per Mail weiterempfehlen

Gehe zu:

teser

Forum-Newbie


	Beiträge: 3

	Anmeldedatum: 05.11.08

	Wohnort: Frankfurt

	Version: 7.6.0 (R2008a)

Verfasst am: 04.04.2009, 15:18 Titel: Klassifikation von Messwerten mit Künstlich Neuronalem Netz

Hi,

ich habe eine 500x7 Matrix. Darin sind 500 Messwerte von 7 verschiedenen Sensoren. Ich würde gerne eine Klassifikation mittel künstlichen neuronalen Netz realisieren. Zu klassifizieren sind 5 verschiedene Objekte, die sich aus den Messwerten ergeben. Da ich noch nicht mit KNN's gearbeitet habe wäre ich für jeden Tip dankbar.

Gruß
Teser

Trimax

Forum-Fortgeschrittener


	Beiträge: 54

	Anmeldedatum: 09.04.09

	Wohnort: ---

	Version: R2012b

Verfasst am: 14.04.2009, 08:17 Titel:

Mein Tipp:
Die Frage konkretisieren Wink

teser

Themenstarter

Forum-Newbie


	Beiträge: 3

	Anmeldedatum: 05.11.08

	Wohnort: Frankfurt

	Version: 7.6.0 (R2008a)

Verfasst am: 15.04.2009, 09:26 Titel:

Ja. Die Frage stand noch nicht so wirklich fest. Aber ich stehe grade vor folgendem Problem:

Ich definiere ein neuronales Netz und möchte das es lernt. Leider sind wohl meine Daten in p (neuro_10_glatt, neuro_10_stoff, ...) zu groß und ich bekomme ein Memory Error. Die Elemente in p sind jeweils 500x14 double. Das sind 14 Merkmale pro Messreihe und insgesamt 500 Messreihen. Mit diesen Merkmalen soll das Netz lernen die Objekte zu Klassifizieren und einer der 5 Klassen zuzuordnen. Wie kann ich den Memory Error umgehen? Jedoch ohne die Anzahl der Messungen zu verringern.

Gruß
Teser

Code:

p=[neuro_10_glatt;
neuro_10_stoff;
neuro_10_ecke;
neuro_10_flugel;
neuro_10_mitte]

t=[1 1 1 1 1 1 1 1 1 1 1 1 1 1; % Klasse Glatt
0 0 0 0 0 0 0 0 0 0 0 0 0 0; % Klasse Stoff
1 0 1 0 1 0 1 0 1 0 1 0 1 0; % Klasse Ecke
0 0 0 0 0 0 0 1 1 1 1 1 1 1; % Klasse Flugel
1 1 1 1 1 1 1 0 0 0 0 0 0 0] % Klasse Ecke

f='logsig'; % Aktivierungsfunktion
net=newff(minmax(p),[10,5],{f,f}); % x-x-5-Netz
net=init(net); % Initialisierung

% Initialisierung von Weight und Bias
net.IW{1,1};
net.b{1};
net.LW{2,1};
net.b{2};

% Zufällige Initialisierung von Weight und Bias
%net.layers{1}.initFcn='initwb';
%net.layers{2}.initFcn='initwb';
%net.inputWeights{1,1}.initFcn='rands';
%net.layerWeights{2,1}.initFcn='rands';
%net.biases{1}.initFcn='rands';
%net.biases{1}.initFcn='rands';
%net=init(net);

% Training
net.trainFcn='trainlm';
net.trainParam.lr=0.5;
net.trainParam.mc=0.9;

net.performFcn='sse';
net.trainParam.show=10;
net.trainParam.epochs=10000;
net.trainParam.goal=0.05;

net=train(net,p,t);

Funktion ohne Link?


Einstellungen und Berechtigungen
Beiträge der letzten Zeit anzeigen:	Du kannst Beiträge in dieses Forum schreiben. Du kannst auf Beiträge in diesem Forum antworten. Du kannst deine Beiträge in diesem Forum nicht bearbeiten. Du kannst deine Beiträge in diesem Forum nicht löschen. Du kannst an Umfragen in diesem Forum nicht mitmachen. Du kannst Dateien in diesem Forum posten Du kannst Dateien in diesem Forum herunterladen

Impressum | Nutzungsbedingungen | Datenschutz | FAQ |

RSS

Hosted by:

Copyright © 2007 - 2024 goMatlab.de | Dies ist keine offizielle Website der Firma The Mathworks

MATLAB, Simulink, Stateflow, Handle Graphics, Real-Time Workshop, SimBiology, SimHydraulics, SimEvents, and xPC TargetBox are registered trademarks and The MathWorks, the L-shaped membrane logo, and Embedded MATLAB are trademarks of The MathWorks, Inc.