Top

Published in:

2025 | OriginalPaper | Chapter

39. Automatisierte Vorselektion von Referenztypen für ein Self-Enforcing Network mittels Regulator Algorithmus

Author : Björn Zurmaar

Published in: Neue Algorithmen für praktische Probleme

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

In Abhängigkeit von den Eigenheiten des Modells sowie der Beschaffenheit der Rohdaten, kann die Auswahl von geeigneten Referenztypen für ein Self-Enforcing Network herausfordernd sein. In dieser Fallstudie werden einige typische dieser Herausforderungen am Beispiel eines Projekts aus dem Bereich der Luftfahrt vorgestellt sowie ein Ansatz zur automatisierten Vorselektion geeigneter Rohdatensätze mittels des Regulator Algorithmus präsentiert.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Optimierung eines Spiel-Astronauten mit einem Regulator-Genetischer Algorithmus (RGA) und einer Regulator-Evolutionsstrategie (RES)

next chapter Die Generierung von Datenordnungen durch den Algorithm for Neighborhood Generating (ANG)

Betrachtet man nur die Anzahl, nicht jedoch das Volumen, so sind 2000 Datensätze im Bereich des Machine Learnings nicht besonders viel, für die Anwendung im SEN jedoch i. d. R. eine großzügige Menge. Das SEN ist im Vergleich zu Machine Learning Verfahren außerordentlich genügsam bezüglich der Menge an Trainingsdaten. Entscheidend ist hier lediglich, dass die Trainingsdaten die zu erwartende Eingabemenge hinreichend durch Fallbeispiele repräsentieren. Die Verfügbarkeit weiterer Datensätze birgt dann keinen Vorteil mehr.

Im späteren Verlauf des Projekts mussten zu Qualitätssicherungszwecken einige Prognosen des Systems manuell nachvollzogen werden. Die Analyse des menschlichen Experten nahm etwa eine Stunde pro Fall in Anspruch. Ausgehend von einer Arbeitswoche mit 40 h unter der Annahme keiner weiteren Aufgaben dieses Experten, hätte er also bereits ein knappes Jahr für eine erste Sichtung des Materials benötigt.

Die Daten dieser Zeitspanne grundsätzlich auszuschließen, macht allerdings auch keinen Sinn, da in Einzelfällen durchaus Lande- und Startvorgänge stattfinden können. Es bestünde zudem die Gefahr, bestimmte relevante Wetterlagen, die vorwiegend nachts auftreten, unabsichtlich aus den Rohdaten zu entfernen.

Der Cue Validity Factor gibt die Relevanz der jeweiligen Daten für das Gesamtmodell wieder und beeinflusst, wie stark die jeweiligen Werte die Gewichtsmatrix des Netzes beim Training der Daten beeinflussen.

Der Grund für das erstmalige Auftreten dieses Problems bei einem Self-Enforcing Network liegt in den 3,7 Mio. Eingabeneuronen. Hier bewegen sich die Summen der eingehenden Gewichte der Ausgabeschicht in anderen Größenordnungen als bislang und führen dementsprechend auch zu einer stärkeren Dämpfung.

Sofern die Menge an Labeln ausgeglichen ist, kann auch die Summe der Endaktivierungen genommen werden. Die Mittelwertbildung birgt den Vorteil, dass sie gegenüber ungleich verteilten Labelmengen stabil und somit allgemeiner ist.

Bei dem Regulator Algorithmus (RGA) handelt es sich um einen zwei-dimensionalen Optimierungsalgorithmus, der aus Baukastengenen (äquivalent zu einem Genetischen Algorithmus), Steuergenen und Verknüpfungsvektoren zwischen Steuer- und Baukastengenen besteht (Klüver et al. 2024).

Cohens Kappa gibt die Übereinstimmung zweier Bewerter als Wert zwischen −1 und 1 wieder, wobei −1 für eine völlig gegenteilige, 0 für eine rein dem Zufall entsprechende und 1 für eine vollständig deckungsgleiche Bewertung steht. Die Metrik ist stabil bezüglich einer abweichenden Zahl von Items in den verschiedenen Klassen, was in diesem Fall eine wichtige Voraussetzung war, da die Betriebsrichtungen nicht gleichverteilt waren.

Hätte ein Individuum beispielsweise ein Kappa von 0,8 erreicht und dafür 20 % der verfügbaren Datenpunkte verwendet, wäre der Fitnesswert 0,8 − 0,2 = 0,6.

Der konkrete Wert der jeweiligen Komponente des Steuergens ist die Anzahl der korrekten Klassifikationen geteilt durch die Anzahl inkorrekter Klassifikationen +1.

Mit den verfügbaren Daten wurden Kappawerte um 0.85 erreicht. Wenn hier von einer prozentualen Verbesserung die Rede ist, so ist damit gemeint, dass im Vergleich zur Durchführung ohne dieses Regulatorgen die entsprechende Prozentzahl an Generationen eingespart werden konnte, bevor ein vergleichbarer Kappawert erreicht wurde.

Cohen J (1960) A coefficient of agreement for nominal scales. Educ Psychol Measur 20(1):37–46CrossRef

Ding S, Su C, Yu J (2011) An optimizing BP neural network algorithm based on genetic algorithm. Artif Intell Rev 36:153–162CrossRef

Klüver, J., & Klüver, C. (2010). Social understanding: on hermeneutics, geometrical models and artificial intelligence (Bd. 47). Springer Science & Business Media

Klüver J, Klüver C (2016) The regulatory algorithm (RGA): a two-dimensional extension of evolutionary algorithms. Soft Comput 20:2067–2075CrossRef

Klüver, C., Klüver, J., & Zinkhan, D. (2017). A self-enforcing neural network as decision support system for air traffic control based on probabilistic weather forecasts. In 2017 International Joint Conference on Neural Networks (IJCNN) (S. 729–736). IEEE

Klüver C, Klüver J, Schmidt J (2024) Modellierung komplexer Prozesse durch naturanaloge Verfahren: Künstliche Intelligenz und Künstliches Leben. Springer Fachmedien Wiesbaden, WiesbadenCrossRef

Leung FHF, Lam HK, Ling SH, Tam PKS (2003) Tuning of the structure and parameters of a neural network using an improved genetic algorithm. IEEE Trans Neural Networks 14(1):79–88CrossRef

Walker, C. (2020): CODA Digest. All-causes delay and cancellations to air transport in Europe. Annual report for 2019. EUROCONTROL

Zurmaar B (2021) Bilderkennung von Verkehrszeichen mit Self-Enforcing Networks. In: Klüver C, Klüver J (Hrsg) Neue Algorithmen für praktische Probleme: Variationen zu Künstlicher Intelligenz und Künstlichem Leben. Springer Vieweg, Wiesbaden, S 305–324CrossRef

Title: Automatisierte Vorselektion von Referenztypen für ein Self-Enforcing Network mittels Regulator Algorithmus
Author: Björn Zurmaar
Publisher: Springer Fachmedien Wiesbaden
Book: Neue Algorithmen für praktische Probleme
Print ISBN: 978-3-658-43318-5

Electronic ISBN: 978-3-658-43319-2

Copyright Year: 2025
DOI: https://doi.org/10.1007/978-3-658-43319-2_39

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"