Internetes alkalmazás koordináta transzformációra neurális hálózatok

alkalmazásával

Készítette:

Zaletnyik Piroska

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

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

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

Neurális hálózat felépítése

1x 2x nxBemeneti réteg

Rejtett réteg

Kimeneti rétegy1 y2

x1

2x

nx

1ww2

wn

f(s)s y

Neuron felépítése

Aktivációs függvények

RBF (radiál bázisú függvény)

Szigmoid függvény

Neurális hálózatok tervezése

Hálózat szerkezetének megtervezése (rétegszám,

neuronok száma, aktivációs függvény típusának

megválasztása)

Tanító és tesztpontok kiválasztása

Hálózat tanítása

Tesztelés

OGPSH pontok vizsgálata

A 1153 pontot tartalmazó állományból 15 pont ki lett hagyva a transzformáció során, durva hiba feltételezése miatt

A kihagyott 15 pont elhelyezkedése

Tanuló és tesztpontok

Az adatok 2/3 része tanuló, 1/3-a tesztpont

Alkalmazott neurális hálózat

4 hálózat a 4 koordináta kiszámítására, 2 bemenettel és egy kimenettel1 rejtett réteg alkalmazásaSzigmoid aktivációs függvény30 neuron a rejtett rétegbenSkálázott ki és bemenő adatok

Kísérlet a korábban már más feladatnál felhasznált neurális hálózat sorozat alkalmazására, sajnos sikertelenül (az eredmények nem javultak számottevően)

Eredmények

(Összehasonlítva 5. Fokú polinomos transzformációval.)

EOV Y EOV X

középhiba max. hiba középhiba Max. hiba

Polinom 4,6cm 100% 20,4 cm 100% 4.5cm 100% 22.2cm 100%

Neurális 3,4cm 73,9% 14,5cm 71,1% 3,3cm 73,3% 14,8cm 66,7%

WGS84 WGS84

középhiba max. hiba középhiba Max. hiba

Polinom 0,0015” 100% 0,0072” 100% 0,0022” 100% 0,0100 100%

Neurális 0,0011” 73,3% 0.0054” 75,0% 0.0016” 72,7% 0,0066” 66,0%

Eredmények (2.)

Nézzük meg az eredményeket a vízszintes eltérésekre!

EOV WGS-84

középhiba max. hiba középhiba Max. hiba

Polinom 3,5cm 100% 26,1cm 100% 0,0015” 100% 0,0114” 100%

Neurális 2,6cm 74.3% 16,8cm 64,4% 0,0011” 73,3% 0,0073” 64,0%

22 xy

A fenti és az előző oldal eredményeit megnézve látszik, hogy neurális hálózatokkal átlagosan 30% javulást lehet elérni, a hagyományos polinomos transzformációhoz képest.

Maradék eltérések ábrázolása

Java alkalmazás készítése koordináta transzformációra

Cél: az eredményül kapott transzformációs összefüggések hozzáférhetővé tétele a gyakorlat számáraMiért 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

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

Az elkészült program

Elérhetőség: www.agt.bme.hu/staff_h/zaletnyik/Atszamitas.html

Köszönöm a figyelmüket!