5. klassifikation und approximation durch ein multilayer perzeptron (mlp)
DESCRIPTION
Output. Input. 5. Klassifikation und Approximation durch ein Multilayer Perzeptron (MLP). Jörg Krone, Ulrich Lehmann, Hans Brenig, Oliver Drölle. Inhalt. Einfaches Perzeptron am Beispiel künstliches Auge Klassifikationsleistung für Muster als Funktion der Layerzahl - PowerPoint PPT PresentationTRANSCRIPT
1SS 2005 5. Klassifikation und Approximation mit MLP
5. Klassifikation und Approximation durch ein
Multilayer Perzeptron (MLP)Jörg Krone, Ulrich Lehmann, Hans Brenig, Oliver Drölle
Output
Input
SS 20052
5. Klassifikation und Approximation mit MLP
Inhalt
a. Einfaches Perzeptron am Beispiel künstliches Auge
b. Klassifikationsleistung für Muster als Funktion der Layerzahl
c. Approximation von Kennlinien
d. Ergebnis der Approximation einer technischen Kennlinie
3SS 2005 5. Klassifikation und Approximation mit MLP
Einfaches Perzeptron am Beispiel künstliches Auge
Aufgabenstellung: Erkennung des Musters auf der Retina
4SS 2005 5. Klassifikation und Approximation mit MLP
Realisierung mit Perzeptron
• Erkennung des Musters auf der Retina
• Perzeptron: dreilagig
• Aktivierungsfunktion: binäre Funktion für Ebene 0 und 1. Eingabeschicht: binär (0,1)
5SS 2005 5. Klassifikation und Approximation mit MLP
Klassifikationsleistung für Muster als Funktion der Layerzahl
• durch die Erhöhung der Layerzahl lassen sich komplexere Figuren besser klassifizieren.
• durch die Verwendung von stetigen Aktivierungs-funktionen werden die Kanten geglättet
6SS 2005 5. Klassifikation und Approximation mit MLP
Approximation von Kennlinien
Aufgabenstellung: Das statische Verhalten eines technischen Systems, gegeben durch die Kennlinie ua = f(ue) soll gelernt werden
7SS 2005 5. Klassifikation und Approximation mit MLP
MLP für Approximation von Kennlinien
• Lernen und approximieren einer unbekannten Kennlinie
• Perzeptron: drei- oder vierlagig,
• Aktivierungsfunktion: Eingabeschicht: Identität (linear); Schicht 2 und 3: sigmoide Funktion; Ausgangsschicht: Identität (linear).
8SS 2005 5. Klassifikation und Approximation mit MLP
Schema der Approximationvon Kennlinien
• Nach dem Training wird die unbekannte Funktion (dicke schwarze Linie) durch die sigmoiden Funktionen der inneren Schichten (dünne Linien) stückweise approximiert
• die Anschmiegung an die vorgebenene Kennlinie erfolgt durch die Gewichtsänderung im Training
• je höher die Frequenz der Kennlinie, desto mehr Schichten sind erforderlich
Output
Input
9SS 2005 5. Klassifikation und Approximation mit MLP
Ergebnis der Approximation
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
'data6.txt' using 1:2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
'data6.txt' using 1:3
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
'data6.txt' using 1:5
Ausgangswerte
Nach 1000 Trainingsepochen
Nach 2000 Trainingsepochen
10SS 2005 5. Klassifikation und Approximation mit MLP
Bewertung der Approximationsleistung
• nach dem Training wird die unbekannte Funktion (rote Linie) durch die sigmoiden Funktionen der inneren Schichten (blaue Linie) stückweise approximiert und aufsummuiert vom Ausgangsneuron
• die Kennlinie wird nach etwa 2000 Trainings-epochen mit guter Näherung wiedergegeben
• alle Trainings-, Validierungs- und Testdaten wurden vor dem Training normiert
11SS 2005 5. Klassifikation und Approximation mit MLP
Fragen
Fragen Sie bitte!
12SS 2005 5. Klassifikation und Approximation mit MLP
Danke
Vielen Dank für Ihr Interesse!