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

abhängig, darüberhinaus beeinflussen sich die Parameter wechselseitig. Wegen der Vielzahl der Parameter,
die die Qualität der Vorhersage mit neuronalen Netzen bestimmen, wäre es zu aufwendig,
die optimale Parameterkonfiguration durch systematische Variation aller Parameter über den gesamten
möglichen Wertebereich zu ermitteln. Deshalb wird zunächst der Einfluß einzelner Parameter
untersucht, wobei die anderen Parameter mit Erfahrungswerten belegt werden. Dies ermöglicht
eine Einschränkung der Wertebereiche oder für manche Parameter auch eine Festlegung der Werte.
Darüberhinaus trägt die Auswertung für die verschiedenen Parameter zum Verständis dazu bei,
welche Bedeutung die einzelnen Parameter für die Vorhersage haben und welche Faktoren die
Vorhersagequalität begrenzen.
In diesem Abschnitt wird zunächst die Auswahl der Trainings- und Testbeispiele motiviert. Anschließend
werden im Rahmen der Auswertungen für die einzelnen Parameter folgende Punkte
betrachtet:
• Parameter für das Lernverfahren,
• Länge der Trainingsmenge,
• Eingabe- und Ausgabedimension, entsprechend der Anzahl der Moden, durch die ein Bildausschnitt
repräsentiert wird,
• Anzahl der Schichten,
• Art der Verbindung der Schichten untereinander.
Die Untersuchungen wurden dabei jeweils am Beispiel von Klasse 3 und den Vorhersagezeiträumen
30 Minuten und 2 Stunden durchgeführt. Aufbauend auf die Auswertung für die einzelnen
Parameter werden im letzten Teil dieses Abschnitts die optimalen Parameter für die verschiedenen
Klassen und Vorhersagezeiträume durch systematische Variation festgelegt.
Ergänzend sei noch bemerkt, daß die Simulation neuronaler Netze in dieser Arbeit mit dem Stuttgart
Neuronal Network Simulator“ (SNNS, siehe [Zell 1999]) durchgeführt ”
wurde.
Auswahl der Bildfolgen
Die Trainings- und Testbeispiele wurden nur aus einem Teil der in Abschnitt 3.5 beschriebenen
Datenbasis ausgewählt. Es werden Bildfolgen aus den Tagen 100-250 bis 17:00 Uhr verwendet.
Im Mittel ist für die Wintermonate und die Abendstunden aufgrund des niedrigen Sonnenstands
die Qualität der zugrunde liegenden Cloud-Index Bilder geringer (siehe Abschnitt 5.3.2), weshalb
diese Beispiele zur Parameteroptimierung nicht miteinbezogen werden. So ergeben sich für den
Vorhersagezeitraum 30 Minuten für die verschiedenen Bewölkungs-Klassen die in Tabelle 3.2 dargestellten
Längen der Test- bzw. Trainingsmengen. Die Trainingsmengen entsprechen hier dem
realistischen Fall, daß die Testmenge disjunkt zur Trainingsmenge ist. Für längere Vorhersagezeiträume
stehen jeweils etwas weniger Beispiele zur Verfügung.
37