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