Внутренняя позиция с переменным количеством измерений расстояния в tensorflow Задать вопрос

Задано 6 лет, 4 месяца назад Изменено сегодня Просмотрено 164 раза

Задано 6 лет, 4 месяца назад

1 $\begingroup$ В настоящее время у меня есть конфигурация, где я определяю положение передатчика с помощью RSSI от 4 приемников. Это простая прямолинейная сеть с некоторыми скрытыми слоями, где входные данные — это значения RSSI, а выход — 2D-координата. Если я решу добавить/удалить приемники, мне нужно переобучить сеть, поскольку изменяется размер входных данных. Это не идеально, так как приемники могут перемещаться, исчезать и т.д. Я рассматривал некоторые альтернативы, но будучи довольно новым в машинном обучении, трудно выбрать направление движения. Я изучил потенциальное решение (заимствованное из другого вопроса), но я потерялся в том, как реализовать его с использованием tensorflow: любая помощь приветствуется. tensorflow Поделиться Улучшить этот вопрос Следить за вопросом задан 7 октября 2019 г. в 14:37 danielsvane 61 2 2 бронзовые значки $\endgroup$ Добавить комментарий | 1 Ответ 1 Отсортировано по: Сбросить по умолчанию Наивысший рейтинг (по умолчанию) Измененная дата (от новых к старым) Созданная дата (от старых к новым) 0 $\begingroup$ Предложенное решение представляется выполнимым, но вы, вероятно, столкнетесь со многими проблемами, такими как — Поскольку вы выдаете координаты, каждая из входных сетей должна быть обучена отдельно. Учитывая, что $N$ должно быть переменным, сколько входных сетей вы обучаете? Вы бы использовали промежуточное кодирование в качестве представления координат, которое бы усреднялось и передавалось через выходную сеть. — Свойства интерполяции кодирования могут быть не слишком хорошими, то есть линейное изменение представления может не привести к линейному изменению координаты, что приведет к тому, что функция усреднения даст искаженные результаты. Просто предложение, но мне кажется, было бы лучше, если бы вместо обучения нескольких оценок представлений координат и их усреднения вы попытались научиться какому-то расстоянию. Фактически, каждый приемник имеет фиксированное положение (Предположение) и входная сеть (или две входные сети предпочтительно) выдает расстояние ($r$) передатчика от этого приемника и угол ($\theta$), который он образует с общей осью. Проблема с этим подходом заключается в том, что вы не используете несколько приемников, так как они не учатся вместе, и преимущество в том, что независимо от $N$, показания RSSI проходят через одну и ту же сеть. Как только получено число $(r, \theta)$ — можно найти надежный алгоритм $f(r_1, r_2,..., \theta_1, \theta_2, ...) = (x_t, y_t)$, который выдает координаты передатчика. Я не слишком уверен, что это будет работать хорошо, но это просто предложенное направление, которое я мог бы подумать! Надеюсь, это помогло! Поделиться Улучшить этот ответ Следить за ответом ответил 10 октября 2019 г. в 8:47 ashenoy 1,429 6 6 серебряные значки 19 19 бронзовые значки $\endgroup$ Добавить комментарий | Вам необходимо войти, чтобы ответить на этот вопрос. Задайте вопрос, чтобы получить ответы Найдите ответ на свой вопрос, задавая его. Задайте вопрос Исследуйте связанные вопросы tensorflow Посмотрите похожие вопросы с этими тегами.

1 $\begingroup$ В настоящее время у меня есть конфигурация, где я определяю положение передатчика с помощью RSSI от 4 приемников. Это простая прямолинейная сеть с некоторыми скрытыми слоями, где входные данные — это значения RSSI, а выход — 2D-координата. Если я решу добавить/удалить приемники, мне нужно переобучить сеть, поскольку изменяется размер входных данных. Это не идеально, так как приемники могут перемещаться, исчезать и т.д. Я рассматривал некоторые альтернативы, но будучи довольно новым в машинном обучении, трудно выбрать направление движения. Я изучил потенциальное решение (заимствованное из другого вопроса), но я потерялся в том, как реализовать его с использованием tensorflow: любая помощь приветствуется. tensorflow Поделиться Улучшить этот вопрос Следить за вопросом задан 7 октября 2019 г. в 14:37 danielsvane 61 2 2 бронзовые значки $\endgroup$ Добавить комментарий |