Klassifizierung per Fuzzy-Logik und Genetischem Algorithmus
-
Hi!
Ich programmiere derzeit an einer Musterklassifizierung zur Fehlererkennung in digital aufgezeichneten Messdaten. Dazu folgende Hintergrundinfos: Ich habe vier Kanäle voller Messdaten, von denen jeder unabhängig von den anderen zu bewerten ist. Diese Messdaten habe ich in Signalmuster unterteilt und anhand bestimmter Punkte neun Kennwerte für jedes Signalmuster errechnet. Diese neun Kennwerte beschreiben jedes Signalmuster hinreichend genau, so dass die Wahrscheinlichkeit verschwindend gering ist, dass zweimal die gleichen Kennwerte aus zwei unterschiedlichen Signalmustern erstellt werden.
Nun gibt es innerhalb dieser Messungen verschiedene Abweichungen vom erwünschten Signalverlauf, die durch extrem starkes Rauschen allerdings nur schwer zu identifizieren sind. Also habe ich für eine gewisse Auswahl von bekannten Fehlerstellen die Kennwerte berechnet und daraus versucht, per Genetischem Algorithmus einen Klassifikator zu entwickeln, der mir auch für zukünftige Messungen auftretende Fehlstellen als solche klassifiziert. Leider komme ich bei meiner Optimierungsmethode nicht über einen Mustererkennungsgrad von etwa 90%, was sich an den vielen Fehlklassifizierungen erkennen lässt.
Gibt es gewisse Methoden zur Annäherung an die besten Parameter der Optimierung (Anzahl der Individuen, Kreuzungswahrscheinlichkeit, Mutationswahrscheinlichkeit eines Individuums/Gens, Fitnessberechnung, etc.), so dass ich gezielt meinen GA verbessern kann um im Endeffekt eine bessere Klassifizierung zu erreichen?
Viele Grüße,
Ed