Welche Art von neuronalem Netzwerk soll ich im Tensorflow verwenden?

Question

Ich mache das Tensorflow -Tutorial und bekomme das, was TF ist. Aber ich bin verwirrt darüber, welches neuronale Netzwerk ich in meiner Arbeit verwenden soll. Ich betrachte ein einschichtes neuronales Netzwerk, CNN, RNN und LSTM RNN.

----------------------- Was ich tun werde ist ...--------------- -------

Es gibt einen Sensor, der etwas misst und das Ergebnis in 2 booleschen Arten darstellt. Hier sind sie blau und rot wie folgt:

Der Sensor gibt alle 5 Minuten Ergebniswerte an. Wenn wir die Werte für jede Farbe stapeln, können wir einige Muster sehen:

Die Zahl in jedem Kreis repräsentiert die Abfolge der aus dem Sensor angegebenen Ergebniswerte. (Zum Beispiel wurde 107 direkt nach 106 gegeben) Wenn Sie von 122 bis 138 sehen, können Sie Decalcomanie-ähnliches Muster sehen.

Ich möchte den nächsten Ergebniswert vorhersagen, bevor der Sensor das Ergebnis verleiht, mit Wahrscheinlichkeit. Die Maschine muss wissen, was der nächste sein wird, basierend auf Mustern aus früheren Ergebnissen.

Ich kann das Lernen mit früheren Ergebnissen überwachen. Ich bin mir jedoch nicht sicher, welches neuronale Netz oder die Methode geeignet ist. Der Meinung, dass dieses Arbeitsmuster unter Verwendung vergangener Ergebnisse (den Kontext sehen muss) und in früheren Ergebnissen auswendig merken muss, wäre LSTM RNN (Long-Short Term Memory Recurrent Neural Network) geeignet.

Könnten Sie mir sagen, welches für diese Arbeit geeignet ist?

Answer 1

Sicher, Sie können einen RNN verwenden. Ich würde zwei Funktionen für die vergangenen K $ -K -Lauflängen sowie die Länge des aktuellen Laufs erstellen. ZB kurz vor t = 150 wäre der Stromlauf Länge 2 (rot) und vorherige drei Läufe (1,1,1) für Rot und (1,1,5) für Blau. Die Intuition hier ist, dass die Lauflängen einer exponentiellen Verteilung zu folgen scheinen, und Sie möchten dem Modell helfen, den Skalenparameter zu schätzen, indem Sie IT -Proben der Länge füttern. Sie können zusätzlich die früheren K -Ereignisse als Bit -Zeichenfolge codieren, wobei 1 Rot und 0 darstellen. Sie haben ein Klassifizierungsproblem, daher sollten Sie Klassifizierungsverlust wie die Kreuzentropie und eine Softmax-Ausgangsschicht verwenden, um Ihre Wahrscheinlichkeiten zu erhalten.