Internetes alkalmazás koordináta transzformációra neurális hálózatok alkalmazásával

1. Internetes alkalmazás koordináta transzformációra neurális hálózatok alkalmazásával Készítette: Zaletnyik Piroska

2. Bevezetés • A mesterséges intelligencia kutatási eredményeinek hasznosítása a mérnöki munkában • A korábbi kutatások alapján a neurális hálózatok előnyösebbek a hagyományosaknál nagy adatmennyiség esetén • Cél: A gyakorlati életben is felhasználható Interneten futtatható alkalmazás készítése a kutatási eredmények felhasználásával

3. Előadás vázlata • Általános áttekintés a neurális hálózatokról • A felhasznált OGPSH pontok vizsgálata • Az alkalmazott hálózat felépítése • A transzformáció eredményei • Az elkészült Java alkalmazás felépítése, működése

4. Neurális hálózatok • Az emberi gondolkodás, illetve az idegsejtek működésének utánzása • Tanulás útján képesek megoldást találni különböző problémákra • Fontos jellegzetesség: approximációs vagy leképzést közelítő tulajdonság y=f(x), f ismeretlen

5. Neurális hálózat felépítése Neuron felépítése

6. Aktivációs függvények RBF (radiál bázisú függvény) Szigmoid függvény

7. Neurális hálózatok tervezése • Hálózat szerkezetének megtervezése (rétegszám, neuronok száma, aktivációs függvény típusának megválasztása) • Tanító és tesztpontok kiválasztása • Hálózat tanítása • Tesztelés

8. OGPSH pontok vizsgálata • A 1153 pontot tartalmazó állományból 15 pont ki lett hagyva a transzformáció során, durva hiba feltételezése miatt

9. A kihagyott 15 pont elhelyezkedése

10. Tanuló és tesztpontok • Az adatok 2/3 része tanuló, 1/3-a tesztpont

11. Alkalmazott neurális hálózat • 4 hálózat a 4 koordináta kiszámítására, 2 bemenettel és egy kimenettel • 1 rejtett réteg alkalmazása • Szigmoid aktivációs függvény • 30 neuron a rejtett rétegben • Skálázott ki és bemenő adatok • Kísérlet a korábban már más feladatnál felhasznált neurális hálózat sorozat alkalmazására, sajnos sikertelenül (az eredmények nem javultak számottevően)

12. Eredmények (Összehasonlítva 5. Fokú polinomos transzformációval.)

13. Eredmények (2.) Nézzük meg az eredményeket a vízszintes eltérésekre! A fenti és az előző oldal eredményeit megnézve látszik, hogy neurális hálózatokkal átlagosan 30% javulást lehet elérni, a hagyományos polinomos transzformációhoz képest.

14. Maradék eltérések ábrázolása

15. Java alkalmazás készítése koordináta transzformációra • Cél: az eredményül kapott transzformációs összefüggések hozzáférhetővé tétele a gyakorlat számára • Miért pont Java? • A Java egy hatékony objektum orientált programnyelv • Fejlesztésekor fontos szempont volt, hogy alkalmas legyen WEB-alapú alkalmazások írására (applet) • Applet alkalmazásával az Interneten bárki számára elérhetővé lehet tenni a neurális hálózatok eddig elméleti eredményeit

16. A Java Applet szerkezete • Létrehozott Java objektumok: • 4 objektum a 4 képletre • „Transzform” nevű osztály fogja össze a képleteket • „Pont” objektum tulajdonságai között találhatóak az EOV és a WGS84 koordináták (ezek az objektum létrehozásakor rögtön kiszámítódnak) • „Atszamitas” objektum biztosítja a grafikus felületet • Fontos a program ún. „bolondbiztossá” tétele, a hibás adatok megadásának kiszűrése • A képletek Mathematica programmal lettek kiszámolva, át kellett konvertálni őket Java számára érthető formába

17. Az elkészült program Elérhetőség: www.agt.bme.hu/staff_h/zaletnyik/Atszamitas.html

18. Köszönöm a figyelmüket!