Работа по проекта Оптична проверка на ябълките за гнилост - Редактор на невронна мрежа MemBrain
За немскоговорящи потребители: Езикът по подразбиране на борда е английски. При регистрация езикът на дъската може да бъде променен на немски! Има отделни области на форума за английски и немски принос.
Работа по проекта Визуална проверка на ябълките за гнила порция
Имате ли конкретен проект, по който да работите и не знаете как да подходите към задачата? Не сте сигурни дали вашият мрежов дизайн отговаря на вашия проблем или има възможности за оптимизация? Има ли изобщо смисъл да подхождате към вашите данни с NN-базиран подход? Дали MemBrain е правилният инструмент за вашия проблем и вашата инфраструктура?
Тук е точното място за този тип въпроси.
Работа по проекта Визуална проверка на ябълките за гнила порция
Публикувано от Локнар »Сряда, 5 август 2009 г., 12:53 ч
Здрасти,
В момента се опитвам в Mebrain за работа по проекти като част от магистърски курс.
Мисля, че съм разбрал основите доста добре, но винаги се натъквам на незначителни проблеми и все още не съм сигурен как правилно да подходим към проблема.
Сега накратко към проекта:
Изучих хранителни технологии и трябва да работя по проект за магистърска степен (според моя ръководител отнема около половин магистърска теза).
Моят ръководител е в областта на земеделските технологии и проектът, в който участвам, е за сортиране на ябълки. Изследванията се извършват върху система, която може да сортира ябълки без разрушаване и без оптични средства въз основа на степента им на мързел. За това ябълките се гният и се измерват със системата. След всяко измерване обаче гнилата част на ябълката се изстъргва от нея за проверка и по този начин ябълката се унищожава.
Сега от моя страна в този проект:
За да може човек да наблюдава процеса на гниене на ябълките, не трябва да унищожава ябълките, затова първо се опитах да измерим гнилите петна по повърхността на ябълките с помощта на оптичен анализ. За това снимах ябълката от всички страни с помощта на камера и грамофон със сервомотор в равномерно осветена кутия и комбинирах отделните секции на ябълката, за да образувам "цялостна панорама" (имам софтуера за снимка + въртене + панорама в Labview създаден и измерването отнема около 1мин на ябълка).
За съжаление, това корелира само в ограничена степен с дела на гниенето в ябълката, тъй като не мога да видя напредъка на процеса на гниене вътре в ябълката. Затова събрах други ценности, които бих могъл да запиша бързо и неразрушително. Това са времето за съхранение, първоначалното тегло, отслабването и сорта ябълки.
Сега създадох прост ANN с оптична гнила част, продължителност на съхранение, първоначално тегло, загуба на тегло и разнообразие от ябълки като входове и реална гнила част като изход. Имам данни за измервания от 200 ябълки и съм използвал 150 за обучение и 50 за проверка на мрежата. Първите опити с ANN изглеждат много обещаващи, но все още не съм сигурен за моя подход.
Има ли някакъв препоръчителен подход, който трябва да следвате, когато създавате ANN (напр. Работете до броя на скритите слоеве или изпробвайте различни учители) и как подхождате към това в работата си. беше открит източник, в който бяха посочени различните корелации и грешки (RMSE, SE и др.) за различни учители, трансферни функции и брой неврони, но видът на връзката на невроните и броят на скритите слоеве не бяха променени. Препоръчителен ли е такъв подход? Има ли други начини за определяне на качеството на мрежата?
Освен това винаги имам малки проблеми с учителя:
От време на време се случва учителят първоначално да достигне относително малка нетна грешка (напр. 0,13) и след това изведнъж нетната грешка да се покачи отново бързо (напр.> 3) и вече да не се подобрява. Освен това винаги имам проблема, че ако съм научил мрежата добре (Net Error 0.1) и искам да я проверя (зареждам 50 тестови стойности чрез Lessen Editor и натискам Evaluate Net), получавам значително по-голяма грешка в мрежата (напр. 0, 5). Ако след това отново взема данните за обучение и проверя мрежата, нетната грешка също е много по-голяма, въпреки че не съм променил нищо в мрежата. (Правя ли някаква грешка тук?)
Много благодаря на Thomas Jetter, че направи тази лесна за използване и страхотна програма достъпна.
Re: Работа по проекта Визуална проверка на ябълките за гнила порция
Публикувано от Администратор »Сряда, 5 август 2009 г., 22:11
кратък въпрос първо: Прочетохте ли вече останалите теми в този форум? Там може да има интересна информация, дори ако разбира се всеки проект е различен.
Добър подход е да се използва само един скрит слой в началото, броят на невроните, които бих избрал наполовина по-голям, отколкото имате входни данни (т.е. 2-3 скрити неврона във вашия случай). Обикновено се справяте доста добре и по-нататъшните опити рядко довеждат до значително подобрение.
Относно. на учителя:
Най-добрият учител в повечето случаи е RPROP. Рядко постигате по-добри тренировъчни резултати с обратна инерция и обучението винаги отнема много повече време.
Относно. Функции за активиране: Използвайте „LOGISTIC“ за скрити и изходни неврони, имах най-добрия опит с него. Понякога обаче TAN-HYP също е по-добър, тук също няма правило. Така че определено си заслужава да опитате.
PS: Можете ли да намерите повече от 200 записа? 1000 би било по-добре