필자는 시계열 데이터 (온도, 습도, 소음 수준 및 기타 매개 변수가 거의없는 데이터 유형)가 많습니다. 이 모든 것을 바탕으로 나는 복잡한 기계를 멈추게 할 것인가를 결정해야한다. 이것은 기계 고장 예측을위한 것입니다.의사 결정을위한 SOM 신경망 - 어떻게 접근 하는가?
누군가가 내가 코호 넨 네트워크를 사용한다는 것을, 충고, 그런데 왜 코호 넨을 설명해 couldnt한다. 이런 응용 프로그램에 정말 좋은 생각입니까?
어떻게 네트워크를 디자인해야합니까? 얼마나 많은 뉴런이 입력 되었습니까? 하나의 학습주기에 얼마나 많은 (역사적) 데이터를 넣을 수 있습니까?
2 차원 행렬/테이블을 만들 것이라고 생각했습니다. 즉, 열과 행을 말합니다. 하나의 열에는 하나의 유형의 데이터 (온도)가 포함되며 모든 행은 한 번에 많은 매개 변수를 측정합니다. 그것에 관한 모든 팁/제안/조언?
Kohonen 네트워크 또는 "자체 구성지도"는 데이터 분류에 사용되는 인공 신경망으로 감독없이 훈련됩니다. SOM에 관한 최고의 튜토리얼은 여기에서 찾을 수 있습니다 : http://www.ai-junkie.com/ann/som/som1.html
시계열 분석을 위해서는 표준 Feed Forward 네트워크를 사용하는 것이 좋습니다. hard limit transfer function을 사용하면 복잡한 기계를 중지해야 할 때 네트워크 출력을 1로 조정할 수 있습니다.
신경망 설계와 관련하여 일반적으로 시행 착오의 경우입니다. 하나의 일반적인 방법은 네트워크의 최적 정확도에 도달 할 때까지 소량/대규모 뉴런으로 시작하여 점차적으로 뉴런의 수를 늘리거나 줄이고 네트워크의 정확도를 비교하는 것입니다. 또한 유전자 알고리즘을 최적화하여 네트워크 설계를 최적화 할 수 있습니다.
입력 레이어의 뉴런 수는 네트워크에 부여 할 값의 수에 의해 결정됩니다. 귀하의 경우에는 '테이블'의 열 수 (각 데이터 행의 모든 값을 네이럴 네트워크에 제공하려는 경우)
네이셔널 네트워크 교육에 관해서는 개인용 심판. 이상적으로 네트워크에 가능한 한 많은 데이터를 제공해야하지만 교육 시간이 지연 될 수 있습니다. 또는 네트워크에 ()의 정확도가 낮아질 수 있으므로 더 적은 양의 데이터를 제공 할 수 있습니다. 여기
피드 포워드 신경망 좋은 가이드에 대한 링크이다 http://www.ai-junkie.com/ann/evolved/nnt1.html
내가 16 입력 1 개 출력 (숨겨진 레이어)와 네트워크를 생성하는 경우? Kohonen 네트워크가 될 것입니까? 그것은 반전 된 SOM처럼 보입니다 ... – Kamil
Kohonen 네트워크가 아닙니다. 그들은 작동 방식, 교육 방법 등 모두 완전히 다릅니다. 피드 포워드 네트워크의 숨겨진 계층의 목적은 네트워크는보다 복잡한 문제를 다룰 수 있습니다. – Sherlock
2 층 네트워크, 1 출력, 16 입력을 의미했습니다. 숨겨진 레이어 (모든 Kohonen 네트워크에는 없습니까?)를 비롯하여 어떻게 작동하는지 알고 있습니다. 네트워크가 코 호넨 (Kohonen)이고 그렇지 않은 경우에는 그 호칭에 호기심이 생깁니다. – Kamil