Download (1800Kb) - oops/ - Oldenburger Online-Publikations-Server

Klasse 1
Klasse 2
rmse bei Ruecktransformation
25
20
15
10
klassifiziert
unklassifiziert
Persistenz
rmse bei Ruecktransformation
25
20
15
10
klassifiziert
unklassifiziert
Persistenz
20 25 30 35 40 45 50 55 60
Anzahl der Moden
20 25 30 35 40 45 50 55 60
Anzahl der Moden
rmse bei Ruecktransformation
40
35
30
25
20
Klasse 3
15
20 25 30 35 40 45 50 55 60
Anzahl der Moden
klassifiziert
unklassifiziert
Persistenz
rmse bei Ruecktransformation
40
35
30
25
Klasse 4
20
klassifiziert
unklassifiziert
Persistenz
15
20 25 30 35 40 45 50 55 60
Anzahl der Moden
Abbildung 3.9: Fehler durch die Hauptkomponenten-Transformation in Abhängigkeit von der Anzahl
der Moden für die verschiedenen Bewölkungs-Klassen. Es werden die Fehler mit Klassifikation
und ohne Klassifikation verglichen. Oben: Klasse 1 und Klasse 2, unten: Klasse 3 und Klasse
4.
3.2.1). Nach der Festlegung der Klassifikationskriterien wurden die Basissysteme für die verschiedenen
Klassen bestimmt. Diese wurden als Grundlage für alle weiteren Rechnungen verwendet.
3.6.2 Festlegung der Netzarchitektur und des Lernverfahrens
Der umfangreichste Teil der Parameteroptimierung betrifft die Parameter, die das neuronale Netz
bestimmen. Dazu gehören zum einen die Parameter, die direkt die Netzarchitektur betreffen, wie
die Eingabe- und Ausgabedimension, die Anzahl der Schichten und die Art der Verbindung der
Schichten untereinander. Zum anderen ist ein geeignetes Lernverfahren für das neuronale Netz
auszuwählen, wobei ebenfalls verschiedene Parameter festzulegen sind. Schließlich ist noch der
Einfluß der Länge der Trainingsmenge zu untersuchen.
Die optimale Parameterkonfiguration ist vom Vorhersagezeitraum und von der Bewölkungs-Klasse
36