Нейронная сеть

Question

В настоящее время я занимаюсь проектом, который включает обнаружение выбоин и нейронные сети.До сих пор у меня был телефон Android, который считывает показания акселерометра и записывает оси X, Y, Z, а также амплитуду и текущую метку времени в файл CSV.Затем данные нормализуются с использованием нормализации min-max и используют показания оси Y из файла CSV.Проблема, с которой я сталкиваюсь, чтобы нейронная сеть выучила выбоину, заключается в том, что какие данные я должен передать в нейронную сеть обратного распространения?Должен ли я установить порог и, когда ось Y достигнет этой точки, получить 5 предыдущих точек и 5 точек после, а затем подать в сеть 11 входов?Я не хочу ни перетренировать сеть, ни кормить ее данными в разных позициях каждый раз.

Тренировка - я также начинаю собирать собранные данные и создавать набор обучающих данных. Должен ли я ставить такие вещи, как показания для обычных / неровных дорог / лежачих полицейских, а также выбоин?Насколько большим должен быть тренировочный набор?или «чем больше данных, тем лучше» на самом деле правда?

Вот так выглядят данные выбоины.

Вот так выглядят данные скоростного удара.

Образец собранных данных

 X-Axis     Y-Axis    Z-Axis   Timestamp

-0.371827, 8.513097, 5.441484, 165401
-0.601749, 7.976613, 5.326523, 165601
-0.333506, 8.053253, 5.441484, 165801
-0.256866, 8.206534, 5.364844, 166001
0.049697, 8.398136, 5.364844, 166202
-0.371827, 8.436457, 5.211563, 166400
-0.256866, 8.551417, 5.709726, 166601
-0.256866, 8.513097, 5.403164, 166801
-0.333506, 8.474776, 5.709726, 167000
-0.563428, 8.628057, 5.594766, 167201
-0.563428, 7.401808, 4.713398, 167402
-1.981280, 5.447472, 4.406836, 167602    POTHOLE
-0.180225, 5.600753, 5.403164, 167800    POTHOLE
-0.984952, 8.053253, 4.445156, 168001
-1.214874, 8.666378, 5.671406, 168201
-0.525108, 7.210207, 3.870352, 168401
-1.138233, 7.286847, 5.824687, 168600
-0.601749, 10.045910, 5.288203, 168801
-0.180225, 8.206534, 5.173242, 169001
0.279619, 7.861651, 5.518125, 169200
0.202978, 8.934620, 5.824687, 169401
-0.065264, 8.321495, 5.364844, 169601
-0.065264, 8.628057, 5.709726, 169800
-0.716710, 8.014933, 5.748047, 170001
-0.141905, 8.513097, 5.441484, 170200
-0.026944, 8.206534, 5.594766, 170401
-0.601749, 8.168214, 5.058281, 170601

Алгоритм

Мой предложенный алгоритм заключается в установке определенного порога, такого как строка 12 на выборочных данных, когда ось Y достигает определенного порога, такого как <7 </strong>, затем передайте предыдущие 5 точек и 5 точек после этого в NN.

Answer 1

Я думаю, что вы должны отправлять каждую точку + - 5. Например, когда вы находитесь в 20-й точке, вы будете давать свои nn баллов от 15 до 25. Установка порога - плохая идея, потому что амплитуда выбоин может меняться от одного к другому. При обучении следует учитывать "маленькие" и "большие" выбоины.

Не могли бы вы рассказать нам, какую библиотеку nn вы используете?

Answer 2

Я не уверен, что вы хотите передать только 5 баллов до и после порога NN. Я думаю, что вы хотели бы передать все данные в NN. Вы бы пометили данные как выбоины или нет.

ВХОД (ОСОБЕННОСТИ): X, Y и Z ВЫХОД (ЦЕЛИ): 1 (ЗАГОТОВКА), 0 (НЕ ДОБАВЛЕНИЕ)

Ось X Ось Y Ось Z TARGET

-0,371827, 8,513097, 5,441484, 0

-0,601749, 7,976613, 5,326523, 0

-0,333506, 8,053253, 5,441484, 0

-0,256866, 8,206534, 5,364844, 0

0,049697, 8,398136, 5,364844, 0

-0,371827, 8,436457, 5,211563, 0

-0,256866, 8,551417, 5,709726, 0

-0,256866, 8,513097, 5,403164, 0

-0,333506, 8,474776, 5,709726, 0

-0,563428, 8,628057, 5,594766, 0

-0,563428, 7,401808, 4,713398, 0

-1,981280, 5,447472, 4,406836, 1

-0,180225, 5,600753, 5,403164, 1

-0,984952, 8,053253, 4,445156, 0

-1.214874, 8.666378, 5.671406, 0

-0,525108, 7,210207, 3,870352, 0

-1.138233, 7,286847, 5,824687, 0

-0,601749, 10,045910, 5,288203, 0

-0,180225, 8,206534, 5,173242, 0

0,279619, 7,861651, 5,518125, 0

0,202978, 8,934620, 5,824687, 0

-0,065264, 8,321495, 5,364844, 0

-0,065264, 8,628057, 5,709726, 0

-0,716710, 8,014933, 5,748047, 0

-0,141905, 8,513097, 5,441484, 0

-0,026944, 8,206534, 5,594766, 0

-0,601749, 8,168214, 5,058281, 0