engleski

Artificial neural networks for classification

Svrha rada je popularizirati metode umjetne inteligencije, posebice neuronskih mreža kao prediktivne metode. U su opisani osnovni pojmovi i principi metode neuronskih mreža. Također, u radu je bilo potrebno napraviti mjerenja pomoću bežičnog bluetooth OBDII ELM327 dijagnostičkog uređaja na automobilu u vožnji. Mjerenja smo obavili tako što smo OBDII ELM327 modul priključili na elektroniku automobila (Peugeot 307) te se preko Bluetooth veze povezali na uređaj sa instaliranom Android aplikacijom "Torque" pomoću koje smo snimili željene podatke. Mjerenja smo obavili za tri tipa vožnje (stajanje na mjestu, vožnja po gradu i vožnja na otvorenoj cesti). Ova tri tipa vožnje su bili bitni jer cilj rada je da neuronska mreža predvidi kada je vožnja agresivna, normalna, te kada je automobil stajao na mjestu i da pri tome radi što manju grešku. Prvi korak prije izrade neuronske mreže je priprema ulaznih podataka u oblik razumljiv MATLAB programskom okruženju. Za izradu neuronske mreže potrebno je ulazne podatke učitati iz ulazne datoteke tipa csv u MATLAB varijable. Za učitavanje podataka iz ulazne datoteke izrađen je program odnosno MATLAB kod. Nakon treniranja i učenja mreže, za istreniranu mrežu odabire se ona mreža s najmanjom kvadratnom greškom na validacijskom setu. Zatim se može izvršiti testiranje koje prikazuje kolika je greška između izmjerenih podataka i podataka dobivenih neuronskom mrežom za testni set. U našem slučaju neuronska mreža je predvidjela veoma dobro tipove vožnje koje smo joj zadali. U 96% slučajeva točno pogađa stil vožnje (normalna vožnja, agresivna vožnja i stajanje u mjestu). Na zadnjem primjeru je određen kriterij agresivne vožnje koji je neuronska mreža sa malom greškom uspjela predvidjeti. U ovom radu primjena neuronskih mreža je prikazana na primjeru predviđanje temperature hladila, predviđanje potrošnje, predviđanje nagiba i prepoznavanje stila vožnje. Treniranje neuronske mreže za predviđanje temperature hladila provedeno je s dvije varijante ulaznih podataka, gdje se pokazalo da je potrebno koristiti srednje opterećenje motora za dobiti neuronsku mrežu zadovoljavajuće točnosti. Kod predviđanja potrošnje je pokazano na dva primjera da neuronska mreža bolje predviđa potrošnju s većim brojem ulaznih varijabli. Dalje je pokazano kako se može predvidjeti nagib vozila samo korištenjem sljedećih podataka: opterećenje motora, tlak u usisu, temperatura usisa, broj okretaja, brzina, pozicija klapne i ubrzanje (iz brzine).

neural network; error; OBDII ELM327; driving style; car parameter estimation

nije evidentirano