Решение поставленной задачи классификации с помощью нейронной сети LVQ

Для построения LVQ сети число параметров, получаемых в файле анализа данных довольно велико. Для упрощения данных было решено ввести типы текущего положения конечностей, объединяющие положение конечностей и показания датчиков касания по следующему принципу:

Если нога робота полностью опущена, но нет касания поверхности, то положение  конечности относится к первому типу. В случае, если нога опущена (угол сервопривода вертикального положения от 20 до 50 градусов) и есть касание, такое положение конечности относится ко 2 типу.

В случае если нога немного опущена (угол сервопривода вертикального положения от- 20 до 20 градусов) есть касание, то такое положение конечности относится к третьему классу. Все вышеуказанные значения положений сервоприводов были получены опытным путем в результате экспериментов.

В случае ,если нога поднята (угол сервопривода вертикального положения <- 20 градусов), такое положение конечности относится к четвертому классу вне зависимости от того, есть ли касание конечностью поверхности или нет.

Таблица 5.Типы текущего положения конечностей

Экспериментальным путем было решено, что анализ поверхности будет проводиться после совершения роботом четырех полных движений. После каждого выполненного движения в файл анализа данных записываются 6 значений классов положения конечностей и показание акселерометра по оси У.

Таким образом, после совершения роботом четырех движений, в файле появляется набор данных, достаточный для классификации, состоящий из 28 показателей:

· 6 показаний сенсоров (согласно классификации) за 4 движения

· показания акселерометра по оси У за 4 движения

Рис. 56. Набор данных для классификации

Для обучения нейронной сети и были созданы 50 обучающих примеров с заранее известным отношением каждого случая к определенному классу поверхности. Примеры представляют собой записанные в текстовом файле данные файла анализа данных о походке.

Рис. 57. Фрагмент файла примеров для обучения сети

Обучающие примеры были загружены в программный комплекс математического моделирования MatLab2013 в виде матрицы входных значений X. Затем, на основании заранее известного отношения каждого из тестовых примеров к определенному классу поверхности, была создана матрица целевых функций T, содержащая значения классов, к которым относятся соответствующие строки матрицы X. Строки матрицы T состоят из 4 элементов: трех нулей и одной единицы, значение класса поверхности определяется положением единицы в строке матрицы:

[0001] – поверхность первого класса;

[0010] – поверхность второго класса;

[0100] – поверхность третьего класса;

[1000] – поверхность четвертого класса;

Затем обе матрицы (матрица входных значений X и матрица целевых функций T) транспонируются. Таким образом, получаются 2 матрицы, необходимые для обучения нейронной LVQ сети.

Рис. 58. Матрицы входных сигналов и целевых функция в среде Matlab 2013

Нейронная сеть строится с помощью команды lvqnet

После этого командой train запускается процесс обучения нейронной сети:

net = lvqnet(10)

net = train(net,x,t);

view(net)

Сразу после ввода приведенных выше команд в командную строку программного комплекса Matlab 2013 и нажатия кнопки Enter запускается итеративный процесс обучения нейронной сети (Рис. 49)

Рис. 59 Процесс обучения нейронной сети

После завершения обучения на экране появится структурное изображение нейронной сети, свидетельствующее о том, что нейронная сеть построена и прошла обучение:

Рис. 60 Структурная схема нейронной сети