1 / 12

Mustererkennung

Mustererkennung. Neuronale Netzwerke am Beispiel eines MLP. Inhalt. Mustererkenner Neuronale Netze Aufgabenspezifikationen Demonstration. Beispiele der Nutzung. y 1. O. O. O. P. P. P. 0. 1. x. f(x, y) = x + y -1 Negative f -> P Positive f -> O. y. O. O. ?. P. 1. O. O.

minya
Download Presentation

Mustererkennung

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. Mustererkennung Neuronale Netzwerke am Beispiel eines MLP

  2. Inhalt • Mustererkenner • Neuronale Netze • Aufgabenspezifikationen • Demonstration

  3. Beispiele der Nutzung

  4. y 1 O O O P P P 0 1 x f(x, y) = x + y -1 Negative f -> P Positive f -> O

  5. y O O ? P 1 O O O P P 0 x 1 f(x, y) = ? Negative f -> P Positive f -> O

  6. Maschinelles Lernen Ziel: Programm soll anhand gegebener Datensätze weitere korrekt kategorisieren können Überlegung: Umsetzung des Datensatzes in mittels mathematischer Funktionen (sogenannte Entscheidungsfunktion) auswertbare Form; dann über Lernalgorithmen Anpassung der Parameter der Funktionen

  7. Multi- Lagen- Perzeptron Struktur: ? P P O Gerichtet Gewichtet Azyklisch Zwischen benachbarten Layern bipartit

  8. a w1 Struktur eines Neurons: f w2 b w3 c f = akt(a*w1 + b*w2 + c*w3) Problem: Was sind optimale Werte für die „Gewichte“ w1-3? Lösung: Training & Backpropagation

  9. P P O Änderung der Gewichtungen durch Backpropagation Aufwand: O(W)

  10. Aufgabe • Planung & Erstellung eines mustererkennenden Programms in Java mit den in MPGI 3 gelernten Techniken • -> Implementierung eines MLPs, einer Datenvorverarbeitung und einer GUI • Training an und Klassifizierung von Sound- und Bilddaten, im Speziellen gesprochenen Vokalen und handgeschriebenen Ziffern

  11. Projektaufteilung MLP Core DVV GUI

  12. Programmablauf MLP konfigurieren Daten einlesen Daten subsampeln MLP trainieren MLP testen Daten klassifizieren

More Related