Készítette: Zaletnyik Piroska

Az előadások a következő témára: "Készítette: Zaletnyik Piroska"— Előadás másolata:

1 Készítette: Zaletnyik Piroska
Internetes alkalmazás koordináta transzformációra neurális hálózatok alkalmazásával Készítette: Zaletnyik Piroska

2 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

3 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

4 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

5 Neurális hálózat felépítése
Neuron felépítése

6 Aktivációs függvények
RBF (radiál bázisú függvény) Szigmoid függvény

7 Neurális hálózatok tervezése
Hálózat szerkezetének megtervezése (rétegszám, neuronok száma, aktivációs függvény típusának megválasztása) Tanító és tesztpontok kiválasztása Hálózat tanítása Tesztelés

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

9 A kihagyott 15 pont elhelyezkedése

10 Tanuló és tesztpontok Az adatok 2/3 része tanuló, 1/3-a tesztpont

11 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)

12 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%

13 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.

14 Maradék eltérések ábrázolása

15 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

16 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

17 Az elkészült program Elérhetőség:

18 Köszönöm a figyelmüket!