F_VN_CreateStaModelExp2

Create a Simplified TopoART neural network of the specified type. The initial reference count is set to one if a new model is created and kept, otherwise. Models of this type support on-line training (sample by sample), retraining, as well as scalar and vectorial predictions. It requires all input except class labels (i.e., samples and training outputs/predictions) to lie in the interval [0.0, 1.0]. The predictions of regressors need to be rescaled from the interval [0.0, 1.0] to their respective value range before usage. Depending on the parameter settings and the number of available training samples, repeated training with the same data may improve the results. Like other neural networks based on the Adaptive Resonance Theory (ART), Simplified TopoART neural networks are not prone to catastrophic inference and patricularly well-suited to incremental learning tasks. (additional expert function providing parameters for fine-tuning and noise reduction)

Syntax

Definition:

FUNCTION F_VN_CreateStaModelExp2 : HRESULT
VAR_INPUT
    ipMlModel        : Reference To  ITcVnMlModel;
    eStaType         : ETcVnSta;
    fRho             : LREAL;
    nNu              : UDINT;
    bDoublePrecision : BOOL;
    fBetaSbm         : LREAL;
    nPhi             : UDINT;
    nTau             : UDINT;
    hrPrev           : HRESULT;
END_VAR

Inputs

Name	Type	Description
ipMlModel	Reference To ITcVnMlModel	Returns the created model (Non-zero interface pointers are reused.)
eStaType	ETcVnSta	Simpified TopoART model type
fRho	LREAL	Vigilance parameter (controls the number of neurons that are inserted and the maximum size of the formed categories; valid range: [0.0, 1.0]; suggested range: [0.8, 1.0))
nNu	UDINT	Number of neurons used for classification and prediction (must be larger than or equal to 1; suggested range: [1, 10); default: 3)
bDoublePrecision	BOOL	If true, the model is generated with double precision (LREAL) instead of single precision (REAL). (default: FALSE)
fBetaSbm	LREAL	Learning rate of the second best-matching neuron (learning the second best-matching neuron keeps related categories closer together and might improve the results but may require a higher number of neurons and training runs; a value of 0.0 disables learning of the second best-matching neuron; valid range: [0.0, 1.0]; suggested range: [0.0, 0.5]); default: 0.0
nPhi	UDINT	Number of samples a neuron must have learnt to become permanent (required for noise reduction; works in conjunction with nTau; must be larger than or equal to 1; higher values intensify noise reduction; a value of 1 disables removal of neuron candidates; default: 1)
nTau	UDINT	Number of learning steps after which node removal is performed (required for noise reduction; works in conjunction with nPhi; must be large enough to allow neuron candidates representing non-noise samples to become the best-matching neuron at least nPhi times before node removal; default: 100)
hrPrev	HRESULT	HRESULT indicating the result of previous operations (If SUCCEEDED(hrPrev) equals false, no operation is executed.)

Return value

HRESULT

Weiterführende Informationen

Die Funktion F_VN_CreateStaModelExp2 ist eine Expert-Variante von F_VN_CreateStaModel. Sie enthält zusätzliche Parameter.

Parameter

Modell

In dem Interface Pointer ipMlModel wird das erstellte Modell zurückgegeben.

Modell-Typ

eStaType legt fest, ob das STA-Modell zur Klassifizierung (TCVN_STA_CLASSIFIER), zur Regression (TCVN_STA_REGRESSOR), zum Clustering (TCVN_STA_CLUSTERER) oder zur Anomalie-Detektion (TCVN_STA_NOVELTY_DETECTOR) genutzt wird.

Vigilanz-Parameter

Zur Anpassung des Modells an die jeweilige Aufgabenstellung ist dieser Parameter entscheidend, da er die maximale Größe der zu lernenden Teilbereiche steuert.

Anzahl genutzter Nachbarn

nNu gibt die Anzahl der für die Klassifizierung und Vorhersage verwendeten Nachbarteilbereiche an und muss >= 1 sein.

Höhere Genauigkeit

Wenn bDoublePrecision TRUE ist, wird LREAL als Datentyp für die internen Berechnungen des Modells genutzt; wenn es FALSE ist, wird REAL genutzt.

Anpassung der Verteilung

fBetaSbm ergänzt die Steuerung zur Anpassung der Teilbereiche an die zugrundeliegende Sample-Verteilung.

Rauschunterdrückung

Mit nPhi und nTau wird die Unterdrückung von sehr seltenen Samples (Rauschen, Ausreißer) im Lernprozess gesteuert.

nPhi gibt die Anzahl der Samples an, die in einem Teilbereich gelernt werden müssen, damit dieser Teilbereich dauerhaft berücksichtigt wird.

nTau gibt an, nach wie vielen Lernschritten die Bedingung von nPhi geprüft wird und Teilbereiche, die diese Bedingung nicht erfüllen, entfernt werden.

Erhöhen von nPhi und verringern von nTau verstärken die Rauschunterdrückung, wobei das Verhältnis von nPhi zu nTau als Maß zur Abschätzung der Stärke genutzt werden kann.

Anwendung

Ein STA-Modell zur Klassifikation kann z.B. so erstellt werden:

hr := F_VN_CreateStaModel(
    ipMlModel        := ipMlModel,
    eStaType         := TCVN_STA_CLASSIFIER,
    fRho             := 0.9,
    nNu              := 3, 
    bDoublePrecision := FALSE,
    fBetaSbm         := 0.0,
    nPhi             := 1,
    nTau             := 100,
    hrPrev           := hr);

Required License

TC3 Vision Machine Learning

System Requirements

Development environment	Target platform	PLC libraries to include
TwinCAT V3.1.4024.59 or later	PC or CX (x64) with PL50, e.g. Intel 4-core Atom CPU	Tc3_Vision