WIR BEGEISTERN UNSERE KUNDEN MIT EMOTIONALEN FAHRERLEBNISSEN. PRÄZISE - CHARAKTERSTARK - INNOVATIV MASCHINELLES LERNEN AM BEISPIEL EINER ÜBERSTEUER-ERKENNUNG. SUPERVISED MACHINE LEARNING MIT MATLAB.
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
WIR BEGEISTERN UNSERE KUNDEN MIT EMOTIONALEN FAHRERLEBNISSEN.
PRÄZISE - CHARAKTERSTARK - INNOVATIV
MASCHINELLES LERNEN AM BEISPIEL EINER ÜBERSTEUER-ERKENNUNG.SUPERVISED MACHINE LEARNING MIT MATLAB.
Machine Learning - Übersteuer-Erkennung Seite 2
MOTIVATION.
Evaluierung der „Statistics and MachineLearning“ Toolbox von MATLAB
Große Anzahl an aufgezeichneten Fahrzeugmessungen (unlabeled) verfügbar
Machine Learning - Übersteuer-Erkennung Seite 3
MACHINE LEARNING.
Machine Learning
Supervised Learning
Classification
Support Vector Machines
Discriminant Analysis
NeuralNetworks
Nearest Neighbor
Decision Trees
Regression
Unsupervised Learning Clustering
Verwendete Algorithmen.
Machine Learning - Übersteuer-Erkennung Seite 4
ABLAUF.
Aufzeichnen der Messungen
Laden der Daten
Merkmal-extraktion
Trainieren von Machine
Learning Modellen
Anwendung des Modells
auf Testdatensatz
Validierung der
Vorhersage
Machine Learning - Übersteuer-Erkennung Seite 5
GENERIERUNG DER MESSDATEN. STRECKETrainieren eines Modells
Trainingsdatenset:- Handlingskurs Miramas- 259.000 Datenpunkte ≙ 43 Minuten
Testen des erstellten Modells
Testdatenset:- Handlingskurs Aschheim- 150.000 Datenpunkte ≙ 25 Minuten
Machine Learning - Übersteuer-Erkennung Seite 6
GENERIERUNG DER MESSDATEN.Einfügen eines Trigger-Signals.
0 0 1 1 1 1 1 0 0 0
Signal 1
Signal 2
Signal 3
Signal 4
Übersteuern
t
Machine Learning - Übersteuer-Erkennung Seite 7
GENERIERUNG DER MESSDATEN.Einfügen eines Trigger-Signals.
0 0 1 1 1 1 1 0 0 0
Signal 1
Signal 2
Signal 3
Signal 4
Übersteuern
t
Machine Learning - Übersteuer-Erkennung Seite 8
MERKMALEXTRAKTION.Filter.
Rauschen des Signals unterdrücken
Trainings- und Testdatenset müssenmit dem gleichen Filter gefiltert werden
Machine Learning - Übersteuer-Erkennung Seite 9
MERKMALEXTRAKTION.Peak Analysis.
- Anwendung der Funktion FindPeaks
- Mindestdistanz zwischen den Peaks
Machine Learning - Übersteuer-Erkennung Seite 10
MERKMALEXTRAKTION.Principal Component Analysis (PCA).
Transformation in der Richtungen der Principal Components
Machine Learning - Übersteuer-Erkennung Seite 11
MODELLAUSWAHL.K-Fold Crossvalidierung.
Blau = TrainingsdatensetRot = Testdatenset
Ergebnis:Durchschnittlicher Fehler
Quelle: Machine Learning for Evolution Strategies, Kramer, 2016, S.39
Machine Learning - Übersteuer-Erkennung Seite 12
MODELLAUSWAHL.Konfusionsmatrix.
Ziel:100 % auf der grünen Diagonale
Receiver-Operating-Characteristic-Kurve.
Ziel:AUC = 1
Machine Learning - Übersteuer-Erkennung Seite 13
VIDEO: VORGEHENSWEISE.
Machine Learning - Übersteuer-Erkennung Seite 14
ERGEBNISSE.Konfusionsmatrix: K-Nearest Neighbor & PCA Feature Extraktion
Machine Learning - Übersteuer-Erkennung Seite 15
ERGEBNISSE.Konfusionsmatrix: Support Vector Machine
Machine Learning - Übersteuer-Erkennung Seite 16
ERGEBNISSE.Konfusionsmatrix: Quadratic Discriminant analysis model
Machine Learning - Übersteuer-Erkennung Seite 17
ERGEBNISSE.Konfusionsmatrix: Complex Decision Trees
Machine Learning - Übersteuer-Erkennung Seite 18
HERAUSFORDERUNGEN.
Lernvorgang muss immer wieder vom Anfang der Messungen vollzogen werden, kein „Deltalernen“
Suche nach dem besten „Machine Learning“ Algorithmus
Sicherheitskritische Software erfordert hohe Zuverlässigkeit
Related Documents
