UNIVERSITA' DEGLI STUDI DI PAVIA - Robotica

More documents

Recommendations

Info

4.7 Test su reti backpropagation In parallelo con lo sviluppo del lavoro di tesi, sono stati condotti una serie di test, allo scopo di estrapolare delle conclusioni di tipo qualitativo sul comportamento di reti backpropagation, utilizzate per approssimare funzioni reali di variabile reale al variare di alcuni parametri caratteristici. Per effettuare i test è stato sviluppato un apposito ambiente di simulazione con interfaccia grafica, denominato NNSE, ovvero Neural Networks Simulation Environment. Questo ambiente, la cui schermata principale è riportata in figura 4.7, è stato concepito per garantire le seguenti feature: - training della rete con visualizzazione dell’andamento dell’errore sia sul training set che sul validation set; - visualizzazione della funzione approssimata e di quella approssimante durante il training; - possibilità di impostare tutti i parametri da file per diverse simulazioni sulla stessa funzione obiettivo; - possibilità di ripetere più cicli di learning durante la stessa sessione di lavoro; - estrema semplicità nel cambiare la funzione obiettivo. 86
Figura 4.7. Schermata del programma di simulazione neurale. In figura è riportato l’esempio dell’approssimazione della funzione seno(x) sull’intervallo [0, 10], utilizzando una rete con 10 neuroni nello strato nascosto e un coefficiente β pari a 2. Il training è stato eseguito su 60000 epoche, un training set composto da 100 esempi, il valore del momento pari a 0.1 e un learning rate pari a 0.4. Tutti i valori sono riportati a video, così come l’andamento dell’errore totale commesso sul training set ad ogni epoca (riquadro in alto a sinistra), la funzione approssimante e la funzione da approssimare con i relativi punti appartenenti al training set (riquadro in alto a destra). L’indicatore in basso al centro consente di monitorare la distanza dell’errore attuale dal limite di precisione impostato. 87
Page 1 and 2:
UNIVERSITA’ DEGLI STUDI DI PAVIA
Page 3 and 4:
2.6 Elaborazione dell'immagine ....
Page 5 and 6:
5.2 Sequenza esecutiva ............
Page 7 and 8:
A.3 Avvio del sistema .............
Page 9 and 10:
1.1 Obiettivo della tesi Capitolo 1
Page 11 and 12:
• Appendice B: elenco completo de
Page 13 and 14:
Capitolo 2 Descrizione del sistema
Page 15 and 16:
2.2 Soluzioni progettuali Le scelte
Page 17 and 18:
Esistono numerosi sistemi per il tr
Page 19 and 20:
traiettoria di un oggetto. Infine,
Page 21 and 22:
possibile trascurare completamente
Page 23 and 24:
dall’uscita, attraverso un confro
Page 25 and 26:
ingresso e una sola di uscita, in q
Page 27 and 28:
2.5.4 Il modello del target Al fine
Page 29 and 30:
dove sono stati introdotti i termin
Page 31 and 32:
K è dunque un vettore avente un nu
Page 33 and 34:
Figura 2.3. Soglia sul puntatore la
Page 35 and 36:
Il tempo di volo del proiettile è
Page 37 and 38:
t t t t t 4 3 2 1 x 1 x 2 x 3 x 4 F
Page 39 and 40:
2.8 La rete neurale DEA utilizza te
Page 41 and 42:
Servo Motors Laser Hardware trigger
Page 43 and 44: 3.2.2 Il frame-grabber Il frame-gra
Page 45 and 46: Figura 3.1. Servocomandi utilizzati
Page 47 and 48: spazzare l'intero campo di moviment
Page 49 and 50: ovviamente, a parità di frequenza,
Page 51 and 52: possibile conoscere istante per ist
Page 53 and 54: 3.4.1 Il diodo laser Blocchetti di
Page 55 and 56: La caratteristica più importante d
Page 57 and 58: - 8 linee di I/O digitali (DIO) pro
Page 59 and 60: - in input per contare gli eventi c
Page 61 and 62: C_GATE G_SOURCE COUNTER VALUE HW SA
Page 63 and 64: Il funzionamento dei contatori come
Page 65 and 66: Il circuito realizzato è schematiz
Page 67 and 68: 3.7.1 Alimentazione e massa L’ali
Page 69 and 70: di puntamento, e che determinano de
Page 71 and 72: La vite della canna ha soltanto la
Page 73 and 74: tempi morti hanno allungato notevol
Page 75 and 76: Comando valvola Ingresso pin reset
Page 77 and 78: Altro aspetto che ha risentito dell
Page 79 and 80: memoria locale. Le unità sono coll
Page 81 and 82: L’aspetto più importante da tene
Page 83 and 84: l’assenza di strati nascosti, e l
Page 85 and 86: Figura 4.3. Funzione di trasferimen
Page 87 and 88: } - si modificano i pesi dei colleg
Page 89 and 90: quindi mentre 2 ∂f ( ) err ∂
Page 91 and 92: ∂hk ∂ ⎛ 1 ⎞ = ⎜ = hk ⋅(
Page 93: Hidden Layer Net 1 Output Layer Net
Page 97 and 98: dipende fortemente dal tipo di funz
Page 99 and 100: 5.1 Idea di base Capitolo 5 Archite
Page 101 and 102: - la libreria che implementa il pre
Page 103 and 104: campo di visuale della telecamera a
Page 105 and 106: ♦ SAD.X contiene tutti i parametr
Page 107 and 108: Figura 5.2. Area di scansione. 5.3.
Page 109 and 110: 5.3.5 Caratteristiche del puntatore
Page 111 and 112: weight_out_fname è il nome del fil
Page 113 and 114: min_ok_hooks è il numero di test c
Page 115 and 116: output_threshold e hidden_threshold
Page 117 and 118: 7) impostare la posizione di riposo
Page 119 and 120: chiaro!) fino al punto in cui non c
Page 121 and 122: Il cuore del modulo è costituito d
Page 123 and 124: 4) si scandisce l’immagine e si m
Page 125 and 126: Tutto questo viene effettuato da un
Page 127 and 128: GUNNER attende l’istante di apert
Page 129 and 130: 1) accelerazione angolare dell’og
Page 131 and 132: 6) viene letto il valore del conteg
Page 133 and 134: LD.X MD.X OD.X ISL.X WH.X WV.X NEUR
Page 135 and 136: • neural.h contiene tutte le cost
Page 137 and 138: vantaggioso durante la fase di svil
Page 139 and 140: spostamento “nella stessa direzio
Page 141 and 142: Con l'uso della sola primitiva wait
Page 143 and 144: tipo, che contengono i dati di part
Page 145 and 146:
del motore grafico è fornita la fu
Page 147 and 148:
5.6.7 pci6025e Il modulo pci6025e.h
Page 149 and 150:
• Dopo aver attivato l'handler e
Page 151 and 152:
un programma di elaborazione matric
Page 153 and 154:
La funzione init_kalman_subsystem()
Page 155 and 156:
N = 4 t - 5 t - 4 t - 3 t - 2 t - 1
Page 157 and 158:
3) la funzione predict(), ssendo un
Page 159 and 160:
Capitolo 6 151 Risultati 6.1 Veloci
Page 161 and 162:
Figura 6.1. Risultato della regress
Page 163 and 164:
Dalle cifre riportate in tabella si
Page 165 and 166:
6.3.2 Test B Il secondo test della
Page 167 and 168:
dell’esperimento: qualsiasi valor
Page 169 and 170:
6.3.7 Test E1 Numero di sparo Dista
Page 171 and 172:
I risultati riportati in tabella 12
Page 173 and 174:
Per quanto riguarda la rete neurale
Page 175 and 176:
necessitano di interagire con perif
Page 177 and 178:
A.4 Creazione dei task La creazione
Page 179 and 180:
verso i file per inizializzare il s
Page 181 and 182:
impostato al momento della compilaz
Page 183 and 184:
• grx_circle(x, y, rad, col) dise
Page 185 and 186:
void save_ld(void) rispettivamente
Page 187 and 188:
B.2 general ritornano i medesimi va
Page 189 and 190:
DWORD get_vmotor_trig(void) ritorna
Page 191 and 192:
B.5 neural permette di sbloccare il
Page 193 and 194:
- net_initialized flag che indica s
Page 195 and 196:
learning rate utilizzato attualment
Page 197 and 198:
- minw e maxw indicano i limiti del
Page 199 and 200:
estituisce la modalità grafica cor
Page 201 and 202:
pone gli n bit della parola w, a pa
Page 203 and 204:
- gating_mode imposta una delle pos
Page 205 and 206:
DWORD initvalue, WORD source, WORD
Page 207 and 208:
quanto sono task aperiodici) pari a
Page 209 and 210:
di int che contiene l’ordine di c
Page 211 and 212:
iportate in dettaglio al paragrafo
Page 213 and 214:
% ni = nargin; no = nargout; if ni
Page 215 and 216:
A' + B * Q * B') % Calcola il guada
Page 217 and 218:
- viene visualizzato un grafico che
Page 219 and 220:
Figura C.3. Comportamento del filtr
Page 221 and 222:
% Usato per eliminare il doppione a
Page 223 and 224:
[8] Seth Hutchinson, Greg Hager, Pe
show all

UNIVERSITA' DEGLI STUDI DI PAVIA - Robotica

Create successful ePaper yourself

Delete template?

Save as template?