Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4 benachbarten Pixeln auf die Größe von 60x40 Pixeln reduziert. Der gemittelte Bildausschnitt<br />
entspricht einem Gebiet von 250km x 300km, das über Norddeutschland gewählt wurde.<br />
3.6 Bestimmung der optimalen Parameter<br />
Bei jedem Modell, mit dem ein komplexer Vorgang vereinfacht beschrieben wird, müssen eine<br />
Reihe von Annahmen und Festlegungen getroffen werden. Bei empirischen Modellen wird dann<br />
innerhalb dieses vorgegebenen Rahmens das Modell an eine Datenmenge angepaßt. Voraussetzung<br />
dafür, daß mit dem Modell der zugrunde liegende Zusammenhang gut approximiert werden kann,<br />
ist, daß der Rahmen passend gewählt wird. So wäre es z. B. wenig sinnvoll zu versuchen, einen<br />
stark nichtlinearen Zusammenhang mit einem linearen Modell zu beschreiben. Als erster Schritt<br />
zur Festlegung eines Modells wird die Methode bestimmt, mit der vorgegangen werden soll, hier<br />
neuronale Netze und Hauptkomponenten-Analyse. Der nächste Schritt ist die Konkretisierung des<br />
Modells durch Festlegen von Parametern. Dies stellt einen sehr wichtigen Punkt dar, da der Erfolg<br />
des Verfahrens, neben der Wahl der Methode, davon abhängt, daß die Parameter geeignet gesetzt<br />
werden.<br />
Im Fall der Vorhersage mit neuronalen Netzen gibt es eine Vielzahl von freien Parametern, dazu<br />
gehören z.B. die Kriterien für die Klassifikation, die Ein- und Ausgabedimension des Netzes oder<br />
die Parameter im Lernverfahren. Diese Parameter sind nicht unabhängig voneinander, sondern beeinflussen<br />
sich in unterschiedlichem Maß gegenseitig, so wirkt z. B. die Art der Klassifikation auf<br />
die Anzahl der Moden, durch die die Bilder repräsentiert werden. Um die beste Parameterkonfiguration<br />
zu finden, muß deshalb eine große Zahl von Kombinationsmöglichkeiten untersucht werden.<br />
Der Reihenfolge der Verfahrensschritte im Vorhersagealgorithmus folgend, wird zunächst auf die<br />
Kriterien zur Klassifikation der Cloud-Index Bilder eingegangen. Den Schwerpunkt des Kapitels<br />
bildet die Bestimmung der Parameter, die das neuronale Netz festlegen.<br />
3.6.1 Kriterien zur Unterscheidung verschiedener Typen von Cloud-Index<br />
Bildern<br />
Sowohl bei der Hauptkomponenten-Analyse als auch bei neuronalen Netzen wird für eine vorgegebene<br />
Menge von Beispielen die optimal an diese Beispielmenge angepaßte Lösung gesucht. Wie<br />
bereits in Abschnitt 3.2 dargestellt, läßt sich so erwarten, daß die Vorhersagefehler kleiner werden,<br />
wenn ähnliche Beispiele zu Klassen zusammengefaßt und für diese Klassen dann getrennte Basissysteme<br />
bestimmt bzw. verschiedene Netze trainiert werden. Für die Hauptkomponenten-Analyse<br />
sind die zugrunde liegenden Beispiele einzelne Bildausschnitte. Diese sollen nun in verschiedene<br />
Klassen unterteilt werden. Damit ergibt sich auch für die neuronalen Netze, wo die Elemente der<br />
Beispielmenge Folgen von Bildausschnitten sind, eine Klassifizierung, indem jede Bildfolge der<br />
Klasse des mittleren Bildes der Folge zugeordnet wird.<br />
In diesem Abschnitt wird zunächst eine Motivation für die Festlegung der Klassifikationskriterien<br />
gegeben. Anschließend wird untersucht, wie sich die Klassifikation auf den Fehler durch die<br />
32