Professional Documents
Culture Documents
Izvestaj Inteligentno Upravljanje
Izvestaj Inteligentno Upravljanje
Inteligentno upravljanje
Marta Tanasković 333/2019
Problem nelinearne identifikacije modela industrijske robotske ruke treba rešiti primenom
feedforward neuralne mreže. U ovom zadatku nam je važno:
Objasniti zadati problem, ulazne i izlazne podatke
Vizualizovati podatke
Iz dobijenog skupa odvojiti sa strane podatke za testiranje. Komentarisati kako je
izvršena podela.
Formirati i obučiti višeslojnu neuralnu mrežu
Implementirati metodu unakrsne validacije za pronalaženje najboljih hiperparametara
modela. Obrazložiti izbor mere performanse prema kojoj se ova procedura izvršava. Za
finalnu mrežu prikazati krivu obučavanja, kao i odgovarajuće mere performanse.
Pri čemu su aktivacione funkcije izabrane po želji.
1. Definisanje problema, ulaznih i izlaznih podataka i vizuelizacija podataka
Robotska ruka je predstavljena kao nelinearan model sačinjen od tri mase (motor, zupčanici i sama
ruka), koji su prikazani na slici 1.
Ulazni podatak je obrtni moment u(t)=tau(t) u Nm koji generiše elektromotor, a ugaona brzina motora u
rad/s predstavlja izlazne podatke. U primeru je dato četiri eksperimenta sa istim brojem ulaza i izlaza, pri
čemu je za trening i validaciju u radu korišćen samo četvrti eksperiment.
Najpre su uvezeni inicijalni parametri modela, jedinice, ulazi i izlazi modela robotske ruke:
Nakon toga se dobijaju podaci iz sva četiri eksperimenta, pri čemu su u radu korišćene samo vrednosti iz
četvrtog eksperimenta (validation 3), odnosno uv3 – ulazi i yv3 – izlazi. Broj odabiraka za korišćene
ulaze/izlaze je po 19838 odabiraka. Zatim su opcijama plot i figure dati grafički prikazi ulaza i izlaza.
Izgled mreže:
Nakon treniranja na sledeći način je određena greška – root mean square error:
Shodno velikoj grešci i lošim vrednostima parametara, potrebno je izvršiti unakrsnu validaciju za
neuronsku mrežu.
3. Unakrsna validacija
Potrebno je napraviti proceduru za unakrsnu validaciju kojom će se odrediti hiperparametri za
neuronsku mrežu. Prema veličini greške (root mean square error) se ova procedura izvršava.
Hiperparametri koji minimiziraju grešku su oni koji se uzimaju za formiranje konačne neuronsko mreže.
Prvo treba inicijalizovati sve prommenljive koje ce biti potrebne za krosvalidaciju (trenutno najbolje
vrednosti za hiperparametre i mere ocenjivanja performansi).
Slika 8: Hiperparametri
Potrebno je proći iteracije po svim vrednostima hiperparametara koje želimo da ispitamo. Zavisno od
broja neurona moguće je menjati strukturu, dalje je moguće menjati aktivacionu funkciju i
eksperimentisati sa ostalim hiperparametrima.