1 / 39

Neuronnät och identifiering av CME’s

Neuronnät och identifiering av CME’s. Peter Wintoft Institutet för rymdfysik i Lund. S. Artificiella neuronnät. 1911 – Neuronen [R. Cajál]. 1943 – Artificiell neuron [McCulloch & Pitts]. 1962 – Perceptronen [Rosenblatt]. 1969 – XOR-problemet [Minsky & Papert]. 0 0 0 0 1 1 1 0 1

favian
Download Presentation

Neuronnät och identifiering av CME’s

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Neuronnätochidentifiering av CME’s Peter Wintoft Institutet för rymdfysik i Lund Industriella tillämpningar inom bildanalysen

  2. Industriella tillämpningar inom bildanalysen

  3. S Artificiella neuronnät 1911 – Neuronen [R. Cajál]. 1943 – Artificiell neuron [McCulloch & Pitts]. 1962 – Perceptronen [Rosenblatt]. 1969 – XOR-problemet [Minsky & Papert]. 0 0 0 0 1 1 1 0 1 1 1 0 … 1985 – Backpropagation [Rumelhart, Hinton …]. Industriella tillämpningar inom bildanalysen

  4. Ögon 107 1013 10-1 10-2 potatisar Hjärnan 1011 1018 1 1 potatis Myra 105 1012 10-6 ? Dator vs. riktiga neuronnät Antal processorer Beräknings-kapacitet (s-1) Effekt-förbrukning Vikt (kg) ASCI White 8196 1013 105 Liten stad http://www.marshill.org/worlds_fastest_computer_2001.htm Industriella tillämpningar inom bildanalysen

  5. S Artificiell neuron wi xi y a a = S wi xi + b b y = g(a) Industriella tillämpningar inom bildanalysen

  6. x2 0 om a<0 y = g(a) = 1 om a>0 x1 En neuron – linjär klassificering a = S wi xi + b a = w1x1 + w2x2 + b a = x1 - x2 + 0.5 Industriella tillämpningar inom bildanalysen

  7. Dolt lager Input Output-lager yk(2) xi yj(1) wkj(2) wji(1) Två lager med neuroner yj(1)=g1( S wji(1)xi + bj(1) ) yk(2)=g2( S wkj(2)yj(1) + bk(2) ) Industriella tillämpningar inom bildanalysen

  8. x2 x1 Två lager – icke-linjär klassificering Industriella tillämpningar inom bildanalysen

  9. Feed-forward neuronnät • Ett lager • Linjär klassificering • Två lager • (Konvex) icke-linjär klassificering • Kontinuerliga icke-linjära kurvor • Tre lager • Generell icke-linjär klassificering • Icke-kontinuerliga och icke-linjära kurvor Industriella tillämpningar inom bildanalysen

  10. (p) (p) (p) (p) (p) (p) -1 T T wT = d X (XX ) Hur bestämmer man vikterna? Linjärt filter x1 w1 y = S wixi = wTx x = y = [y(1),y(2),…,y(n)] wm xm X =[x(1),x(2),…,x(n)] Filtrets output: y = wTX Önskad output: d Minsta-kvadratlösning: Industriella tillämpningar inom bildanalysen

  11. yk(2) xi yj(1) wkj(2) wji(1) Hur bestämmer man vikterna? Feed-forward neuronnät Industriella tillämpningar inom bildanalysen

  12. ∂E Error gradient och momentum: ∂w + a ∆wprev. ∆w = - h Error-backpropagation Summed squared error: E = 1/2 Sp,k(dk(p)-yk(p))2 Industriella tillämpningar inom bildanalysen

  13. Träningsstrategi för feed-forward neuronnät • Välj ut tre dataserier för • träning, • validering respektive • test. • Variera antalet dolda neuroner och träna varje neuronnät flera gånger (3-10) utifrån olika slumpmässigt valda vikter. • Välj neuronnätet med det minsta valideringsfelet. • Bestäm prestandan på testserien. Industriella tillämpningar inom bildanalysen

  14. Local minimum Global minimum? Validation Hur länge skall man träna? Industriella tillämpningar inom bildanalysen

  15. RMS Error # neurons Hur många dolda neuroner? Industriella tillämpningar inom bildanalysen

  16. Exempel 1: Textigenkänning I Optical Character Recognition (OCR) Tolka handskrivna postnummer [LeCun et al., 1990]. 3 Bild med 20x20 pixlar Industriella tillämpningar inom bildanalysen

  17. Exempel 1: Textigenkänning II FFNN med lokala receptiva fält. [Haykin, 1994]. Lager 5 Lager 4 Lager 3 Lager 2 Lager 1 Input Industriella tillämpningar inom bildanalysen

  18. Exempel 1: Textigenkänning III Lokala receptiva fält Industriella tillämpningar inom bildanalysen

  19. Exempel 1: Textigenkänning IV Industriella tillämpningar inom bildanalysen

  20. Exempel 1: Textigenkänning V • Lager 1–4 implementerade på ett neuron-kretskort. • Lager 5 DSP-kort. • Test på riktiga brev gav • 2.5% fel för människa • 5.5% fel för neuronnät Industriella tillämpningar inom bildanalysen

  21. Exempel 2: Bildkomprimering I FFNN med lika input och output samt 3-5 dolda lager. Output Input Komprimering Rekonstruktion Industriella tillämpningar inom bildanalysen

  22. Exempel 2: Bildkomprimering II • http://neuron.eng.wayne.edu/bpImageCompression9PLUS/bp9PLUS.html Industriella tillämpningar inom bildanalysen

  23. Människa I varje givet ögonblick kontrolerar hjärnan 244 frihetsgrader med över 600 muskler. Industriella tillämpningar inom bildanalysen

  24. Self-organized map – SOM Mappa input till en (vanligen) 2-dimensionell karta och om möjligt bevara topologin. SOM Input Industriella tillämpningar inom bildanalysen

  25. Exempel 3: Robotseende [Ritter et al., 1992] Industriella tillämpningar inom bildanalysen

  26. Referenser • Böcker • Haykin, Neural networks – a comprehensive foundation, Macmillan, 1994. • Ritter, Martinetz, Schulten, Neural computation and self-organizing maps, Addison-Wesley Publ. Comp., 1992. • Swingler, Applying neural networks – a practical guide, Academic Press, 1996. • Artiklar • LeCun, Boser, Denker, Henderson, Howard, Hubbard, Jackel, Handwritten digit recognition with a back-propagation network, Advances in Neural Information Processing Systems 2, Morgan Kaufmann, 396–404, 1990. Industriella tillämpningar inom bildanalysen

  27. Web-referenser • OCR • http://www.geocities.com/SiliconValley/2548/ochre.html • Bildkomprimering • http://neuron.eng.wayne.edu/bpImageCompression9PLUS/bp9PLUS.html • Neuronnät • http://www.kcl.ac.uk/neuronet/ • http://www.neuroinformatik.ruhr-uni-bochum.de/ini/VDM/research/gsn/DemoGNG/GNG.html Industriella tillämpningar inom bildanalysen

  28. Identifiering av CME’s med radon-transformen Examensarbete 2002Åsa FranssonRymdingenjör, Kiruna Industriella tillämpningar inom bildanalysen

  29. Industriella tillämpningar inom bildanalysen

  30. Industriella tillämpningar inom bildanalysen

  31. Tid Avstånd från solen Industriella tillämpningar inom bildanalysen

  32. Radon-transformen Industriella tillämpningar inom bildanalysen

  33. Test image Industriella tillämpningar inom bildanalysen

  34. Radon-transformed image Industriella tillämpningar inom bildanalysen

  35. Filtered image Industriella tillämpningar inom bildanalysen

  36. Industriella tillämpningar inom bildanalysen

  37. Estimation of onset time Industriella tillämpningar inom bildanalysen

  38. Identified CME’s Industriella tillämpningar inom bildanalysen

  39. Modell för CME till solvind • Träna neuronnät för förutsägelse av solvindshastigheten • Input: Radonbilder • Output: Solvinden vid L1 Industriella tillämpningar inom bildanalysen

More Related