Készítette: Zaletnyik Piroska 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 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 kimenettel 1 rejtett réteg alkalmazása Szigmoid aktivációs függvény 30 neuron a rejtett rétegben Skálázott 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 Max. hiba Polinom 4,6cm 100% 20,4 cm 4.5cm 22.2cm Neurális 3,4cm 73,9% 14,5cm 71,1% 3,3cm 73,3% 14,8cm 66,7% WGS84  WGS84  középhiba max. hiba Max. hiba Polinom 0,0015” 100% 0,0072” 0,0022” 0,0100 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 Max. hiba Polinom 3,5cm 100% 26,1cm 0,0015” 0,0114” Neurális 2,6cm 74.3% 16,8cm 64,4% 0,0011” 73,3% 0,0073” 64,0% 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 számára Miért 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!