EunGyeongKim

💡 X80-h 모바일 로봇의 특징을 연구한 결과, 이 유형의 로봇은 바퀴 정렬 문제가 발생할 수 있음이 확인됨. 실내 GPS는 x, y 및 각도 데이터를 제공하며 이를 데이터베이스에 기록하여 정렬 오류를 보상하는 알고리즘을 작성하는 것이 목표 ⇒ 현재 스타렉스 테스트 차량으로 일직선을 달렸을 때, X,Y,Z축의 이동거리가 일정하지 않고 퍼지는 문제가 있음. 이것을 x80-h라는 로봇에서 발생하는 정렬오류과 같다고 생각해 볼때, 추후 계산식 삽입으로 분포가 퍼지는 문제를 해결하고, 정확한 x,y,z 자율 컴퓨팅의 기본 : CHOP self-configure 변화하는 환경에 즉각적으로 적응할 수 있는 능력 EX) 모래 표면에서 바위표면으로의 표면변화 self-healing 혼란을 발견하고, 진단하며, 반응할..

learning rate, momentum coefficient learning rate와 momentum coefficient는 역전파 알고리즘을 신경망으로 훈련시키는 굉장히 중요한 변수이다. earning rate는 계산된 경사하강법 기준으로 새로운 factors의 weight의 속도를 조절하는 양의 상수이다. momentum coefficient는 가중치가 조정되는 속도를 가속화 되는 가중치에 추가되는 추가가중치이다. momentum coefficient는 최소화 루틴을 minimum에서 벗어나는데 도움을 준다. local minima local minima문제는 에러를 최소화 시키는 최적의 파라미터를 찾는 문제에 있어서 파라미터 공간에 수많은 지역적인 홀(local minimum)에 빠지는 문제...

Gradient(미분값, 즉 변화량) 기반 방법들을 사용할 경우 작은 파라미터의 값의 변화가 신경망 출력에 얼마나 영향을 미칠것인가를 기반으로 파라미터 값을 학습시킴.⇒ 파라미터의 값이 변화가 신경망 결과에 작은 영향만 미칠경우 : 효과적 파라미터 학습 불가능 Error rate가 낮아지지 않고 수렴해버리는 문제가 발생함. ⇒ 그러므로 Gradient Vanishing / Exploding 은 변화량이 매우 작아지거나(vanishing), 매우 커질때(Exploding)의 상황에서 신경망 학습을 제대로 시키지 못하는것 Gradient Vanishing / Exploding 해결방법 change activation function Simoid, tanh의 문제점을 해결하기 위해 ReLU(Rectifited..