Spracovanie signálov zo senzorov

1. Spracovanie signálov zo senzorov Milan Mišeje

2. Úlohy • Naštudujte metódy spracovania signálov zo senzorového poľa • Naštudujte metódy umelej inteligencie • Využitia študovaných metód pri spracovaní signálov ISS

3. Metódy spracovania signálov zo senzorového poľa SP • Korelačná metóda • Vektorová metóda • Metóda čiastočne najmenších štvorcov • Transformovaná metóda najmenších štvorcov

4. Korelačná metóda KM • Fáza učenia • Zadávanie vzorov • Fáza vybavovanie • Vstupný signál zo senzorového poľa • Výpočet korelačného koeficientu

5. Fáza učenia v KM Priemerná hodnota Eijk– výstup i-teho senzora v prostredí v j-tom stave pri k-tom meraní m – počet meraní E pri jednom stave

6. Fáza vybavovania v KM Predpätie hodnôt zložiek vzoru Eij– hodnota zložky vzoru senzora i pri staveprostredia j Predpätie signálu SP Uij– hodnoty senzorov i SP pri stave prostredia j

7. Korelačný koeficient Výpočet korelačného koeficientur • Hodnota korelačného koeficientu je v intervale<-1;1> • Vzťah neplatí preSP tvorené dvomi senzorovými elementmi

8. Neurónové siete • vhodné pre rozpoznávanie vzorov • Hopfieldova sieť • Rosenblattova perceprtonova sieť • Kohonenova sieť • RBF sieť • vhodné pre realizáciu charakteristík • Viacvrstvová perceptronová sieť • RBF sieť

9. Kohonenova sieť Princíp Vzdialenosť medzi vzormi xi – zložky predloženého vzoru wi – zložky vzoru zakódovaného vo váhach neurónu

10. Kohonenova sieť Štruktúra

11. Kohonenova sieť Učenie 1. Nastavia sa váhy wij na malé náhodné počiatočnéhodnoty 2. Predloží sa trénovací vzor na vstup 3. Každý neurón vypočíta vzdialenosťdj od predloženého vzoru 4. Výber neurónu s najmenšou vzdialenosťou od vzoru 5. Prispôsobia sa váhy víťaznému neurónu v a jeho okoliu

12. Kohonenova sieť Vybavovanie 1. Predloží sa neznámi vzor na vstup 2. Výpočet najbližšieho vzoru 3. Výber neurónu s najmenšou vzdialenosťou od vzoru 4. Neurón s indexom v určuje triedu predloženého vzoru

13. Viacvrstvová perceprtonova sieť Štruktúra • xi –vstupy • wi –váhy vstupov • –prah f(.)–aktivačná funkcia • y – výstup

14. Viacvrstvová perceprtonova sieť Princíp Výstup z neurónu Aktivačná funkcia (sigmoid)

15. Viacvrstvová perceprtonova sieť Učenie 1. Nastavia sa váhy wij na náhodné hodnoty 2. Predloží sa trénovací vzor na vstup Vypočítajú sa výstupy jednotlivých neurónov po vrstvách smerom od vstupu k výstupom 3. Vypočíta sa hodnota energetickej funkcie Vypočíta sa chyba pre výstupnú vrstvu

16. Viacvrstvová perceprtonova sieť Učenie 4. Vypočíta sa pre zmena váh a prahov neurónov vo vrstve 5. Spätne sa vypočíta chyba pre všetky vrstvy v sieti až po vstup 6. Vypočíta sa hodnota energetickej funkcie

17. Viacvrstvová perceprtonova sieť Vybavovanie x –vstupný vektor Wh – matica váh vskrytej vrstve qh– vektor prahov v skrytej vrstve Wo – matica váh vo výstupnej vrstve qo– vektor prahov vo výstupnej vrstve fh–aktivačná funkciav skrytej vrstve fo–aktivačná funkciavo výstupnej vrstve y – výstup

18. Hopfieldova sieť Princíp Minimalizovanie energetickej funkcie

19. Hopfieldova sieť Štruktúra

20. RBF sieť Princíp Jednoosová bázová funkcia Výstup zo siete

21. RBF sieť Štruktúra x1-xM– vstupy c1-cN– centrá w11-wNK –váhové koeficienty y1-yK– výstupy RBFi– jednoosové bázové funkcie

22. Linearizácia prevodovej charakteristiky Prevodová charakteristika snímača

23. Linearizácia prevodovej charakteristiky

24. Korekcia dynamickej chyby Prenosová funkcia snímača v „s“ oblasti Prenosová funkcia snímača v „z“ oblasti Inverzný dynamický model

25. Korekcia dynamickej chyby Simulačná schéma

26. Korekcia dynamickej chyby

27. Korekcia dynamickej chyby

28. Koniec Ďakujem za pozornosť