Система навигации на основе ANN

Question

В настоящее время я работаю над внутренней навигационной системой, использующей Zigbee WSN в звездной топологии.

В настоящее время у меня есть данные об уровне сигнала для 60 позиций в области 15 м на 10 приблизительно.Я хочу использовать ANN, чтобы помочь предсказать координаты для других позиций.Пройдя через несколько потоков, я понял, что нормализация данных даст мне лучшие результаты.

Я пробовал это и несколько раз переучивал свою сеть.Мне удалось получить целевой параметр в nntool MATLAB к значению .000745, но все же после того, как я даю обучающий образец в качестве тестового ввода, а затем масштабирую его обратно, он дает отклонение значения.

Значение .000745 означает, что мои данные были очень близко, верно?Если да, то почему эта аномалия?Я делю и умножаю на максимальное значение для нормализации и масштабирования значения соответственно.

Может кто-нибудь объяснить мне, где я могу пойти не так?Я использую неправильные параметры тренировки?(Я использую TRAINRP, 4 слоя с 15 нейронами в каждом слое и задаю цель 1e-8, градиент 1e-6 и 100000 эпох)

Должен ли я рассмотреть для этой цели методы, отличные от ANN?

Пожалуйста, помогите.

Answer 1

Что вы масштабировали?Входы или выходы?Была ли шкала «вход + выход» для вашего обучающего набора и только результат во время тестирования?

Какую меру ошибки вы используете?Я предполагаю, что ваш "целевой параметр" является мерой ошибки.Это SSE (сумма квадратов ошибок) или MSE (среднеквадратические ошибки)?0,000745 кажется очень маленьким, и обычно у вас почти не должно быть ошибок в ваших тренировочных данных.

Ваша архитектура ANN может быть слишком глубокой с слишком малым количеством скрытых блоков для начального теста.Попробуйте различные архитектуры, такие как 40-20 скрытых модулей, 60 HU, 30-20-10 HU, ...

. Вы должны сгенерировать тестовый набор для проверки обобщения вашей сети ANN.В противном случае может возникнуть проблема с переоснащением.

Answer 2

Для пространственных данных вы всегда можете использовать Гауссовскую регрессию процесса.С надлежащим ядром вы можете достаточно хорошо прогнозировать, а регрессия ГП - довольно простая вещь (просто инверсия матриц и умножение матриц-векторов). У вас не так много данных, поэтому точную регрессию ГП можно легко сделать.Для хорошего источника на GP Регрессия проверьте это .