Система навигации на основе ANN
В настоящее время я работаю над внутренней навигационной системой, использующей Zigbee WSN в звездной топологии.
В настоящее время у меня есть данные об уровне сигнала для 60 позиций в области 15 на 10 приблизительно. Я хочу использовать ANN, чтобы помочь предсказать координаты для других позиций. Пройдя через несколько потоков, я понял, что нормализация данных даст мне лучшие результаты.
Я попробовал это и переучил мою сеть несколько раз. Мне удалось получить целевой параметр в nntool MATLAB к значению.000745, но все же после того, как я даю тренировочный образец в качестве тестового ввода, а затем масштабирую его обратно, он дает отклонение значения.
Значение.000745 означает, что мои данные были очень близко, верно? Если да, то почему эта аномалия? Я делю и умножаю на максимальное значение, чтобы нормализовать и уменьшить значение соответственно.
Может кто-нибудь объяснить мне, где я могу пойти не так? Я использую неправильные параметры тренировки? (Я использую TRAINRP, 4 слоя с 15 нейронами в каждом слое и задаю цель 1e-8, градиент 1e-6 и 100000 эпох)
Должен ли я рассмотреть методы, отличные от ANN для этой цели?
Пожалуйста помоги.
2 ответа
Для пространственных данных вы всегда можете использовать Гауссовскую регрессию процесса. С надлежащим ядром вы можете довольно хорошо прогнозировать, а регрессия ГП - довольно простая вещь (только инверсия матриц и умножение матриц-векторов). У вас не так много данных, поэтому точную регрессию ГП можно легко сделать. Для хорошего источника на GP Регрессия проверьте это.
Что вы масштабировали? Входы или выходы? Была ли шкала ввода + вывода для вашего тренировочного набора и только выхода во время тестирования?
Какую меру ошибки вы используете? Я предполагаю, что ваш "целевой параметр" является мерой ошибки. Это SSE (сумма квадратов ошибок) или MSE (среднеквадратические ошибки)? 0,000745 кажется очень маленьким, и обычно у вас почти не должно быть ошибок в ваших тренировочных данных.
Ваша архитектура ANN может быть слишком глубокой с слишком малым количеством скрытых модулей для первоначального теста. Попробуйте разные архитектуры, такие как 40-20 скрытых юнитов, 60 HU, 30-20-10 HU, ...
Вы должны сгенерировать тестовый набор для проверки обобщения вашего ANN. В противном случае переоснащение может быть проблемой.