- LiFePO4 Speicher Test         
Seite 1 von 2 12 LetzteLetzte
Ergebnis 1 bis 10 von 11

Thema: Lernen aus Erfahrung?

  1. #1
    Erfahrener Benutzer Begeisterter Techniker
    Registriert seit
    19.01.2016
    Ort
    Saarbrücken
    Beiträge
    397

    Lernen aus Erfahrung?

    Anzeige

    LiFePo4 Akku selber bauen - Video
    Mahlzeit!

    Ich spiele seit ein paar Tagen mit OpenCV unter Linux mit C/C++ rum. Das funktioniert recht gut muss ich sagen. Webcam zugriff, Gesichtserkennung, Gesichtsvergleich klappt alles schon recht gut.

    Auf die Idee bin ich eigentlich gekommen um einer Eigenbaudrohne zu zeigen das ich ich bin. Für autonome Verfolgung. Jetzt stellt sich jedoch das Problem ein, die Software läuft schon so halbwegs, aber um weiter zu machen fehlt mir eben noch die Drohne. Deshalb habe ich mal bisschen weiter geschaut und gesehen, dass man mit OpenCV auch Entscheidungsbäume, neuronale Netze usw. aufbauen kann.

    Jetzt käme an dieser Stelle meine Frage. Hat hier schon jemand Erfahrung mit solchen ANwendungen gemacht? Mir schwebt da nämlich etwas vor und ich denke da könnte mir etwas Hilfe nicht schaden.

    Ich würde gerne ein Programm entwickeln, was prinzipiell nur ein paar gundsätzliche Dinge kann, versteht, beherrscht oder wie auch immer man das in dem Zusammenhang nennen mag. So eine Art minimales Unterbewusstsein. Dazu würde ich mit einem Raspi, ein kleines Autochen bauen. Das Programm soll prinzipiell nur die Möglichkeit haben die Pins anzusteuern, bzw. von dort Daten zu empfangen, sowie eben Gesichter und Gegenstände erkennen können. Ansonsten sollte es möglichst leer sein. Das Programm sollte also möglichst Alles erlernen müssen.

    In etwa stelle ich mir das so vor. Ich gebe ihm ein Ziel vor. Sagen wir mal, auf einem Stick befindet sich ein Bild von einem Objekt, ein roter Würfel oder so und die Aufgabe, sich zu diesem Würfel zu bewegen. Den Rest sollte das Programm dann selbst erlernen. Es kann quasi instinktiv die Pins ansteuern und sehen was dann passiert. Das müsste dann natürlich als Erfahrung abgespeichert werden. So soll zum Beispiel dann bei Aktivierung von sagen wir Pin10 eine LED leuchten, um Nachts fahren zu können. Das soll dann eben als Erfahrung abgespeichert (wäre das dann eine Neurone?) werden. Eine Erfahrung die dem Programm sagt das es für die Fortbewegung nicht dienlich ist. Wird dann irgendwann der Pin aktiviert der einem anderen Microcontroler den Befehl gibt vorwärts zu fahren soll er das als die dienlich für das Problem anspeichern usw.

    Das Ganze hat letztlich kein festes Ziel. Ich will damit also kein bestimmtes Gerät bauen sondern wirklich erleben wie das Programm lernt. Wie es mit wachsender Erfahrung auch kompliziertere Aufgaben lösen kann usw. So gesehen, anschalten und schauen wo hin es sich entwickeln kann, ob es sich entwickeln kann usw.

    Dazu müsste ich aber wissen, wie baut man so ein "leeres" neurales Netz? Die Beispiele von OpenCV erklären es für mich nicht, zumindest kann ich nicht so wirklich den Zusammenhang erkennen von Kreisen, Linien und Quadrate verschieben zu so etwas. Auch werde ich aus dem Trainieren noch nicht ganz schlau.

    Gibt es denn hier jemand der das Wissen hat und sich zutraut es mir näher zu bringen, bzw. die Lust hat mit da zu helfen?

  2. #2
    Erfahrener Benutzer Roboter Genie Avatar von HeXPloreR
    Registriert seit
    08.07.2008
    Ort
    Bad Bramstedt
    Alter
    45
    Beiträge
    1.369
    Hallo hirnfrei,

    schau doch mal auf YouTube Hier >>https://www.youtube.com/watch?v=UbktAxbUPnk

    oder

    hier >>https://www.youtube.com/watch?v=7LouOajwXiI

    Viele Grüße
    Jörg

  3. #3
    Erfahrener Benutzer Robotik Einstein Avatar von i_make_it
    Registriert seit
    29.07.2008
    Ort
    Raum DA
    Alter
    55
    Beiträge
    2.814
    Wow Wissen lernen und Methoden lernen auf einmal.
    Da willst Du ja von Anfang an gleich ganz nach vorne bei der KI Forschung.
    Also zum erlernen von Wissen und Bewerten von Daten, Schau dir mal die Forschungspuplikationen zu IBMs Watson an. die sind da mit am weitesten.
    Beim Erlernen und Verbessern von Methoden, such mal nach genetischen Algorithmen und Evulotionsstrategien.
    Bsp.: http://www.techfak.uni-bielefeld.de/...ungen/GAES.pdf
    Ein leeres neuronales Netz an sich bekommt man nicht so ohne weiteres hin. In der Regel entscheidet man sich schon mal für die Anzahl der Schichten und den Netztyp.
    Bsp.: http://www.neuronalesnetz.de/netztypen.html
    Je nach Vorbildung kann das eine längerfristige, spannende Beschäftigung werden.

    http://www.codeplanet.eu/tutorials/c...in-csharp.html
    Geändert von i_make_it (19.01.2016 um 20:14 Uhr)

  4. #4
    Erfahrener Benutzer Begeisterter Techniker
    Registriert seit
    19.01.2016
    Ort
    Saarbrücken
    Beiträge
    397
    Ich finde es schon lustig wie Jörn Loviscach zu nahezu allen Themen die mich interessieren irgend ein Video am Start hat. Sehr lustig, vor Allem weil ich das Meiste da auch immer recht schnell verstehe.

    Ich hätte also Deep Learning da in der Planung. Das wird Lustig, da ich kaum einen Keller voll Grafikkarten an mein Projekt dran basteln kann. Aber wie er sagte, es muss nicht immer neuronal sein. Mal schauen.

    Das mit dem Schwarm ist aber auch eine lustige Idee.

    Nur wie nun beim Deep Learning nun wirklich gelernt wird hat er leider nicht gesagt. Nur das es automatisch geht, aber irgendwie will sich mir das nicht erschliessen.

    Sehr interessant ist aber auch die Idee, das ausgegebene Signal wieder an den Input zu legen. Ist so ein wenig wie damals meine ersten BASIC Programme. Solange man nichts gedrückt hat ist auch nichts passiert. Demnach auch die Uhr nicht weiter gelaufen. Dann in C mit der while schleife zum Beispiel ist das Programm ja durchgehend gelaufen und hat auch die Uhr aktualisiert. Wäre interessant zu sehen ob das was raus kommt auch zum eigenen Lernen genutzt werden kann. Wäre ja praktisch in der Zeit wo es nicht genutzt wird das es sich selbst beschäftigt.

    Bin für weitere Informationen durchaus dankbar

    - - - Aktualisiert - - -

    Zitat Zitat von i_make_it Beitrag anzeigen
    Je nach Vorbildung kann das eine längerfristige, spannende Beschäftigung werden.
    Na klar will ich ganz nach vorne . Besser ein hohes Ziel gesteckt und nur bis zur Hälfte gekommen wie gleich ein kleines Ziel gesteckt und doch nicht weiter gekommen. Kein Plan wie weit ich das, gerade auch wegen der Hardware, realisieren kann, aber wenn ichs mir nicht angucke und ausprobiere werde ich es nie erfahren. Vielleicht kommt ja ein Nobelpreis bei raus, oder nur ein "Das habe ich auch mal versucht". Gibt schlimmeres um seine Zeit zu verbringen.

    Und wie gesagt, es ist super spannend und fasziniert mich sehr. Es gibt definitiv sinnlosere Sachen mit denen man sich beschäftigen kann .

    Und danke für die Infos.

  5. #5
    Erfahrener Benutzer Robotik Einstein
    Registriert seit
    18.03.2018
    Beiträge
    2.643
    Falls ich hier mit was falsch liege, bitte berichtigen.


    Zitat Zitat von hirnfrei Beitrag anzeigen
    In etwa stelle ich mir das so vor. Ich gebe ihm ein Ziel vor. Sagen wir mal, auf einem Stick befindet sich ein Bild von einem Objekt, ein roter Würfel oder so und die Aufgabe, sich zu diesem Würfel zu bewegen. Den Rest sollte das Programm dann selbst erlernen. Es kann quasi instinktiv die Pins ansteuern und sehen was dann passiert.
    Hierzu gibt es zum Beispiel das Kameramodul Jevois A33. Wenn ich das bis jetzt richtig verstanden habe, kann man damit das tun: Bilder von Objekten speichern und wiedererkennen lassen und verfolgen. Der eingebaute Prozessor macht es möglich. Das Kameramodul gibt dann die Ergebnisse aus (seriell als Daten vermutlich). Anhand der Daten kann man ausmachen, wo sich das Objekt relativ zum Kameramodul befindet und vermutlich auch, um welches Objekt es sich handelt.

    Zitat Zitat von hirnfrei Beitrag anzeigen
    Das müsste dann natürlich als Erfahrung abgespeichert werden. So soll zum Beispiel dann bei Aktivierung von sagen wir Pin10 eine LED leuchten, um Nachts fahren zu können. Das soll dann eben als Erfahrung abgespeichert (wäre das dann eine Neurone?) werden. Eine Erfahrung die dem Programm sagt das es für die Fortbewegung nicht dienlich ist. Wird dann irgendwann der Pin aktiviert der einem anderen Microcontroler den Befehl gibt vorwärts zu fahren soll er das als die dienlich für das Problem anspeichern usw.
    Controller-Anschlüsse auf LOW oder HIGH setzen. Kommt am Controller an und kann per Software erfasst werden. Alle Anschlusszustände in einem Array speichern. Dann müsste man Regeln aufstellen (wenn Werte in dem Array soundso, dann ist das Ergebnis - best. Variable bspw. - soundso). Sowohl Werte aus dem Array, als auch das Ergebnis der vorherigen Regel, fliessen in folgende Regeln ein. Die Regeln können nicht immer willkürlich abgearbeitet werden, deshalb müssen sie ordnungsfähig sein (nummeriert), weil es sein kann, dass eine Regel nur angewendet werden kann, wenn andere Regeln zuvor und weitere erst danach angewendet werden. Je mehr Regeln man hinzufügt, desto genauer wird das "Problem" gelöst. Manche Regeln können nur unter bestimmten Voraussetzungen zu richtigen Ergebnissen führen. Deshalb müssen Regeln über die Anwendung von Regeln entscheiden. Das führt zu Regelbäumen und Verzweigungen zwischen den Bäumen.

    Zitat Zitat von hirnfrei Beitrag anzeigen
    Das Ganze hat letztlich kein festes Ziel. Ich will damit also kein bestimmtes Gerät bauen sondern wirklich erleben wie das Programm lernt. Wie es mit wachsender Erfahrung auch kompliziertere Aufgaben lösen kann usw. So gesehen, anschalten und schauen wo hin es sich entwickeln kann, ob es sich entwickeln kann usw.
    Dazu müsste ich aber wissen, wie baut man so ein "leeres" neurales Netz? Die Beispiele von OpenCV erklären es für mich nicht, zumindest kann ich nicht so wirklich den Zusammenhang erkennen von Kreisen, Linien und Quadrate verschieben zu so etwas. Auch werde ich aus dem Trainieren noch nicht ganz schlau.
    Ich denke, hier bewegen wir uns in Ordnungen, schon bei geringen Anforderungen an eine Drohne, die Erkennen und Verfolgen lernen kann, ähnlich denen eines neuronalen Netzes, das Schach spielen lernt. Denn es gibt nicht wenige Sensor-Inputs und Aktoren die gesteuert werden sollen.
    Geändert von Moppi (08.09.2018 um 11:35 Uhr)

  6. #6
    HaWe
    Gast
    das Topic ist ja nun schon ein paar Jahre alt, aber für Lernen per KI gibt es u.a. diese beiden bewährten Herangehensweisen:
    a) Lernen durch Training (assisted): Muster werden gezeigt, die wiedererkannt werden sollen. Netztyp: mehrschichtige Perzeptron-Netze (z.B. Backpropagation)
    b) Lernen durch eigenes schrittweises Probieren und Annähern des Ziels bis zum Erfolg (non-assisted): G-Learning.

    Beides wurde schon erfolgreich auf MCUs gemacht, ein ARM Prozessor ist dabei zu empfehlen wegen Speicher (v.a. für Backpropagation) und Ausführungsgeschwindigkeit (für beide).

  7. #7
    Erfahrener Benutzer Robotik Einstein
    Registriert seit
    18.03.2018
    Beiträge
    2.643
    Macht doch nichts, das paar Jahre alt ist. Ich vermisse konkretere Lösungsansätze.

    Dann brauchen wir jetzt nur eine Informationen zu: "wurde schon erfolgreich auf MCUs gemacht".

    Welche genau, von Wem und Wo? Evtl. Bauteile, Beschaltung, Programmierung, Erklärung im Detail?

  8. #8
    HaWe
    Gast
    die Backpropagation von mir, hatte ich schon mal hier gepostet (einschichtige Netze u.a. für Lego NXT, und 2-Layer Backpropagation Netz für Arduino Due, z.B. auch rückgekoppelt vom "Elman" oder "Jordan" Typ); meines Wissen war ich der erste weltweit, der dies veröffentlciht hat ).
    (Das Programm ist sehr groß, die hiesige Forumsoftware erlaubt keinen solchen Programm-Upload; hatte ich gegenüber Frank etc. schon öfters reklamiert, auch für andere Dateien; ohne Reaktion leider. Das Mindstorms-Forum, wo auch der Code ursprünglich veröffentlicht wurde, ist aber z.Zt. offline, der Site-Admin und Gründer möchte es aber höchstwahrscheinlich nach der letzten Datenschutz-Verordnung nicht mehr weiter supporten)


    Das G-Learning wurde von anderen schon auf dem Lego EV3 gemacht, zum Laufenlernen für einen Mehrfüssler, habe aber auch schon andere Projekte mal gesehen, z.B. Wegefindung in kleinen "Labyrinthen".

  9. #9
    Erfahrener Benutzer Robotik Einstein
    Registriert seit
    18.03.2018
    Beiträge
    2.643
    Das ist doch schon ganz prima, dann machen wir einen Querverweis an der Stelle, damit der Leser auch weiter kommt:

    da hatten wir einen Laufrobotter,

    und wir hatten in diesem Thread ein von Counterfeiter eingestelltes Video, was praktisch eine Demonstration zeigt.

    Für den LEGO NXT und neuronales Netz habe ich auch etwas gefunden


    Nachtrag:

    wobei ich Differenzierung für gut halte:

    1) künstliche neuronale Netze
    2) Funktionsweise neuronaler Netze
    3) Implementation auf Lego NXT oder auf Atmegas / Arduinos etc.

    Zum ersten Fall will ich gar nichts weiter schreiben, weil die eigentliche Nachbildung menschlicher Neuronen ein Fall für sich ist.

    Zum Zweiten kann man anmerken, dass man die Funktionsweise eines neuronalen Netzes hinterfragt, bzw. entwickelt. Dafür gibt es etablierte Ansichten, hinter denen auch jeweils bekannte Namen stehen. Hier wird das Regelwerk beleuchtet, nach dem künstliche Intelligenz als solches funktionieren soll und kann: Lösungsansätze, wie man Regeln miteinander verknüpft, damit die Verbindung insgesamt dazu führt, dass etwas erlernt werden kann.

    Beim dritten Fall geht es darum, wie man nun diese Regeln aus dem zweiten Fall auf gängige Ausführungseinheiten (CPU / Controller) überträgt. Hier greift man als nun auf ein existierendes Regelwerk zurück (Maschinensprache des Controllers z.B.) um diese speziellen Regeln auf die unterste Ausführungsschicht drauf zu packen, die ermöglichen, dass mein Computer / Controller etwas erlernen kann.

    Nachtrag:

    Da der dritte Fall viel Overhead erzeugen dürfte und zusätzliche Rechenzeit (Takte), sowie Speicherplatz kostet, sind zukünftig vor allem solche Chips interessant, wie hier vorgestellt:

    Eine Million simulierter Neurone haben IBM-Forscher auf einem Chip untergebracht. Sein biologisches Vorbild macht "TrueNorth" zum Energiesparwunder. Forscher bauten "Kerne" von je 256 Neuronen und 256 x 256 Synapsen auf, in denen alle nötigen Elemente verkapselt sind. Über 4000 Stück davon passen auf den Chip.
    Geändert von Moppi (08.09.2018 um 15:42 Uhr)

  10. #10
    HaWe
    Gast
    Code:
    /*
    Backpropagation Netz / net
    optimiert für Arduino Due
    Version JON 0060
    
    (C) HaWe 2015
    
    to do:
    - save memory to SD file
    - plug real physical sensors
    - pre-emptive Multitasking (currently not possible for Due)
    */
    
    
    
    #include <SPI.h>
    #include <SD.h>
    #include <UTFT.h>
    #include <ardustdio.h>
    #include <malloc.h>
    #include <DueTimer.h>
    
    
    
    //-------------------------------------------------------------------------------------
    // neural net size
    #define  NMAXIN    108       // max number of inputs (sensors)
    #define  NMAXHID    20       // max number hidden layer neurons
    #define  NMAXOUT    20       // max number output layer neurons
    
    #define  NMAXPAT    70       // <<< max number of possibly trained patterns;
    
    
    
    //-------------------------------------------------------------------------------------
    // neural net: neurons and patterns
    
    float    WeightLIn[NMAXIN+1][NMAXHID+1];
    float    WeightLOut[NMAXHID+1][NMAXOUT+1];
    
    float    Input[NMAXPAT+1][NMAXIN+1];
    float    Target[NMAXPAT+1][NMAXOUT+1];
    float    Output[NMAXPAT+1][NMAXOUT+1];
    //float    Contxt[NMAXOUT+1];    // Jordan-net: neuron-number == output-number
    
    float    currIn[NMAXIN+1],     // currently polled inputs
             inbuf[NMAXIN+1];      // intermediate stored inputs for editing
    float    currOut[NMAXOUT+1],   // currently computed net outputs
             outbuf[NMAXOUT+1];    // intermediate stored outputs
    
    int16_t  NumInput = NMAXIN, NumHidden = NMAXHID, NumOutput = NMAXOUT;
    int16_t  NumPattern = 0;       // <<< number of actually trained patterns;
    
    int32_t  epoch;                // training measures
    uint32_t BPTime;
    float    Error;
    
    
    
    
    
    //-------------------------------------------------------------------------------------
    // TFT LCD
    //UTFT   myGLCD(Model, SDA=MISO, SCL, CS, RESET, RS)
    //UTFT   myGLCD(QD220A,   A2,    A1,  A5,  A4,   A3);   // adjust model parameter and pins !
      UTFT   myGLCD(QD220A,   50,    49,  52,   0,   51);   // A0->Vc (LED), A4->BoardReset
    
    extern   uint8_t SmallFont[];
    
    #define  LCDWhiteBlack()  {myGLCD.setColor(255, 255, 255); myGLCD.setBackColor(  0,   0,   0);}
    #define  LCDNormal()      {myGLCD.setColor(255, 255, 255); myGLCD.setBackColor(  0,   0,   0);}
    #define  LCDInvers()      {myGLCD.setColor(  0,   0,   0); myGLCD.setBackColor(255, 255, 255);}
    #define  LCDWhiteRed()    {myGLCD.setColor(255, 255, 255); myGLCD.setBackColor(255,   0,   0);}
    #define  LCDRedBlack()    {myGLCD.setColor(255,   0,   0); myGLCD.setBackColor(  0,   0,   0);}
    #define  LCDYellowBlue()  {myGLCD.setColor(255, 255,   0); myGLCD.setBackColor( 64,  64,  64);}
    uint8_t  fontwi= 8;
    uint8_t  fonthi=10;
    int16_t  LCDmaxX , LCDmaxY ;                // display size
    int16_t  _curx_, _cury_,                    // last x,y cursor pos on TFT screen
             _maxx_, _maxy_;                    // max. x,y cursor pos on TFT screen
    char     wspace[50];                        // line of white space
    
    void lcdcls()  { myGLCD.clrScr();  _curx_ =0;  _cury_ =0; }
    void curlf()   { _curx_=0; if( _cury_ <=(LCDmaxY-10) ) _cury_+=10; else _cury_=0; }
    
    void lcdprintxy(int16_t x, int16_t y, char * str) {
       myGLCD.print(str, x, y);
       _curx_ = x + strlen(str)*fontwi;
       _cury_ = y;  // check for line overflow! 
    }
    
    void curxy(int16_t x, int16_t y) {_curx_ = x;_cury_ = y;}
    
    void lcdprint(char * str) {
       myGLCD.print(str, _curx_, _cury_);
       _curx_ = _curx_ + strlen(str)*fontwi;
       //_cury_ = _cury_;  // check for line overflow! 
    }
    
    //-------------------------------------------------------------------------------------
    
    
    
    
    
    
    
    //-------------------------------------------------------------------------------------
    // SD Card
    #define  SD_CSpin  53
    File     myFile;
    char     fname[64];
    //-------------------------------------------------------------------------------------
    
    
    
    
    //-------------------------------------------------------------------------------------
    // misc
    #define  TimerMS()    millis()
    #define  LRAND_MAX    32767
    #define  srand(seed)  randomSeed(seed)
    #define  rand()       random(LRAND_MAX)
    #define  rando()      ((float)rand()/(LRAND_MAX+1))
    int32_t  RSeed;
    
    #define  pswitchon(pin)   (!digitalRead(pin))    // btn press for pinMode(pin, INPUT_PULLUP)
    #define  pswitchoff(pin)  ( digitalRead(pin))    // btn press for pinMode(pin, INPUT_PULLUP)
    #define  pbtn(pin)        (!digitalRead(pin))    // alias
    //-------------------------------------------------------------------------------------
    
    
    
    
    
    
    //-------------------------------------------------------------------------------------
    // user interface:  button pad control pins
    #define  PIN_ESC    13
    #define  PIN_UP     12
    #define  PIN_OK     11
    #define  PIN_DN      4 // instead opt.: 6
    #define  PIN_LE      3 // instead opt.: 5
    #define  PIN_RI      2
    
    // pins 10,9,8,7 : motor
    // pins 22 - 37 :  motor
    // pins 49 - 51 :  LCD TFT
    // pin  53:        SD CS 
    
    // available: 5+6, 38-48 for digital touch pins
    
    //-------------------------------------------------------------------------------------
    int16_t  btnpressed() {
       return ( pbtn(PIN_ESC)||pbtn(PIN_UP)||pbtn(PIN_OK)||pbtn(PIN_DN)||pbtn(PIN_LE)||pbtn(PIN_RI) );
    }
    //-------------------------------------------------------------------------------------
    int16_t   getbtn() {
       int16_t  choice= -1;
       
       while (!  btnpressed() );  // wait until button pad pressed
       
       if( pbtn(PIN_ESC) ) choice = PIN_ESC;
       if( pbtn(PIN_UP) )  choice = PIN_UP;
       if( pbtn(PIN_OK) )  choice = PIN_OK;
       if( pbtn(PIN_DN) )  choice = PIN_DN;
       if( pbtn(PIN_LE) )  choice = PIN_LE;
       if( pbtn(PIN_RI) )  choice = PIN_RI;   
       
       while (  btnpressed() );   // wait until button pad released
       
       return choice;   
    }
    
    
    //-------------------------------------------------------------------------------------
    // misc. tools
    
    int16_t  toggleup(int16_t lo, int16_t hi, int16_t val ) {
      if ( val < hi )  val++;
      else val = lo;
      return val;   
    }   
    
    int16_t  toggledn(int16_t lo, int16_t hi, int16_t val ) {
      if ( val > lo )  val--;
      else val = hi;
      return val;   
    } 
    
       
       
    
    //-------------------------------------------------------------------------------------
    // motor control
    
    #define MAXMOTORS   4  // max number of encoder motors at Arduino Uno=2 // Due=6 // Mega=8
    
    // motor 0
    #define pinenc0A   22  // enc0A yellow
    #define pinenc0B   23  // enc0B blue
    #define pinmot0d1  24  // dir0-1   <<
    #define pinmot0d2  25  // dir0-2
    #define pinmot0pwm 10  // pwm enable0   
    
    // motor 1
    #define pinenc1A   26  // enc1A yellow
    #define pinenc1B   27  // enc1B blue
    #define pinmot1d1  28  // dir1-1   <<
    #define pinmot1d2  29  // dir1-2
    #define pinmot1pwm  9  // pwm enable1   
    
    
    // motor 2
    #define pinenc2A   30  // enc2A yellow
    #define pinenc2B   31  // enc2B blue
    #define pinmot2d1  32  // dir2-1   <<
    #define pinmot2d2  33  // dir2-2
    #define pinmot2pwm  8  // pwm enable2   
    
    // motor 3
    #define pinenc3A   34  // enc3A yellow
    #define pinenc3B   35  // enc3B blue
    #define pinmot3d1  36  // dir3-1   <<
    #define pinmot3d2  37  // dir3-2
    #define pinmot3pwm  7  // pwm enable3   
    
    
    
       
    //-------------------------------------------------------------------------------------
    // motor bit patterns
    const char COAST[]={0,0,0};
    const char BREAK[]={0,0,1};
    const char FWSLOW[]={0,1,0};
    const char RVSLOW[]={0,1,1};
    const char FWMED[]={1,0,0};
    const char RVMED[]={1,0,1};
    const char FWFAST[]={1,1,0};
    const char RVFAST[]={1,1,1};
    
    #define    fwslow   20
    #define    rvslow  -20
    #define    fwmed    60
    #define    rvslow  -60
    #define    fwfast  100
    #define    rvfast -100
    
    
    //=====================================================================================
    // SETUP ()
    //=====================================================================================
    void setup() {
       char     sbuf[128];  // output string
       
       Serial.begin(115200);
    
       pinMode(PIN_ESC,INPUT_PULLUP);
       pinMode(PIN_UP, INPUT_PULLUP);
       pinMode(PIN_OK, INPUT_PULLUP);
       pinMode(PIN_DN, INPUT_PULLUP);
       pinMode(PIN_LE, INPUT_PULLUP);
       pinMode(PIN_RI, INPUT_PULLUP);
    
    
       myGLCD.InitLCD();
       LCDmaxX=myGLCD.getDisplayXSize();
       LCDmaxY=myGLCD.getDisplayYSize();
       myGLCD.setFont(SmallFont);
       _maxx_ = LCDmaxX / fontwi;
       _maxy_ = LCDmaxX / fonthi;
      
       memset(wspace, ' ', _maxx_); 
       wspace[_maxx_]='\0'; 
       lcdcls();
    
       sprintf(sbuf, "Serial ok, GLCD=%dx%d",LCDmaxX,LCDmaxY);
       Serial.println(sbuf);
       myGLCD.print  (sbuf, 0, 0);
       
       ResetNet();
    
       RSeed = ( ((analogRead(A8)+1017)%100) * (TimerMS()% LRAND_MAX ) % LRAND_MAX );
       srand(RSeed);
    
       // # DEBUG
       sprintf(sbuf, "Seed= %ld", RSeed);
       myGLCD.print  (sbuf, 0,10);
       sprintf(sbuf, "Rand= %ld", rand() );
       myGLCD.print  (sbuf, 100,10);
       
       
       
       // # DEBUG
       memtest(20, "memtest: setup");
       
       SetNetDefaultPatterns();
       RefreshInputs();             // polls inputs and stores values to currIn[] array
          
          
          //***********************************
                      //*******************************************************************************
          // debug: test different input sets
           currIn[1]=1; //currIn[2]=0; currIn[3]=1; //currIn[4]=0; currIn[5]=0; currIn[6]=0; currIn[7]=0;
                      //*******************************************************************************    
          //***********************************                
                
          
        ComputeMatrix();         // applies inputs to net and computes outputs to currOut[] array
        TrainNet();              // basic training
       
    
    }
    //=====================================================================================
    //=====================================================================================
       
       
       
       
    
    //-------------------------------------------------------------------------------------
    // analog range bit patterns
    // returns 6 bits for ranges -32768...0...32767 or out of bounds (VOID==[32])
    float Ana[64][8]={
         {0,0,0,0,0,0,0,0},  // 0
         {0,1,0,0,0,0,0,1},  // 0...1
         {1,2,0,0,0,0,1,0},  // 1...2
         {2,3,0,0,0,0,1,1},
    
         {3,4,0,0,0,1,0,0},
         {4,5,0,0,0,1,0,1},
         {5,6,0,0,0,1,1,0},
         {6,8,0,0,0,1,1,1},
    
         {8,10,0,0,1,0,0,0},
         {10,13,0,0,1,0,0,1},
         {13,16,0,0,1,0,1,0},
         {16,20,0,0,1,0,1,1},
    
         {20,26,0,0,1,1,0,0},
         {26,32,0,0,1,1,0,1},
         {32,40,0,0,1,1,1,0},
         {40,48,0,0,1,1,1,1},
    
         {48,56,0,1,0,0,0,0},
         {56,64,0,1,0,0,0,1},
         {64,74,0,1,0,0,1,0},
         {74,85,0,1,0,0,1,1},
    
         {85,97,0,1,0,1,0,0},
         {97,110,0,1,0,1,0,1},
         {110,128,0,1,0,1,1,0},
         {128,192,0,1,0,1,1,1},
    
         {192,256,0,1,1,0,0,0},
         {256,420,0,1,1,0,0,1},
         {420,512,0,1,1,0,1,0},
         {512,650,0,1,1,0,1,1},
    
         {650,800,0,1,1,1,0,0},
         {800,1024,0,1,1,1,0,1},
         {1024,2048,0,1,1,1,1,0},
         {2048,32767,0,1,1,1,1,1},   // <= SHORTMAX
         
         {0,0,1,0,0,0,0,0},     // #32: VOID !
         {0,-1,1,0,0,0,0,1},    // 0... -1
         {-1,-2,1,0,0,0,1,0},   // -1...-2
         {-2,-3,1,0,0,0,1,1},
    
         {-3,-4,1,0,0,1,0,0},
         {-4,-5,1,0,0,1,0,1},
         {-5,-6,1,0,0,1,1,0},
         {-6,-8,1,0,0,1,1,1},
    
         {-8,-10,1,0,1,0,0,0},
         {-10,-13,1,0,1,0,0,1},
         {-13,-16,1,0,1,0,1,0},
         {-16,-20,1,0,1,0,1,1},
    
         {-20,-26,1,0,1,1,0,0},
         {-26,-32,1,0,1,1,0,1},
         {-32,-40,1,0,1,1,1,0},
         {-40,-48,1,0,1,1,1,1},
    
         {-48,-56,1,1,0,0,0,0},
         {-56,-64,1,1,0,0,0,1},
         {-64,-74,1,1,0,0,1,0},
         {-74,-85,1,1,0,0,1,1},
    
         {-85,-97,1,1,0,1,0,0},
         {-97,-110,1,1,0,1,0,1},
         {-110,-128,1,1,0,1,1,0},
         {-128,-192,1,1,0,1,1,1},
    
         {-192,-256,1,1,1,0,0,0},
         {-256,-420,1,1,1,0,0,1},
         {-420,-512,1,1,1,0,1,0},
         {-512,-650,1,1,1,0,1,1},
    
         {-650,-800,1,1,1,1,0,0},
         {-800,-1024,1,1,1,1,0,1},
         {-1024,-2048,1,1,1,1,1,0},
         {-2048,-32768,1,1,1,1,1,1}    // >= -SHORTMAX 
     
         };
         
    //-------------------------------------------------------------------------------------     
         
    int16_t  ana2bits(int16_t  aval) {         // return array index
       int16_t   i,j;
       if(aval == 0) return 0;
       else 
       if( aval > 32767 ) return 32;   // VOID
       else
       if( aval < -32768 ) return 32;  // VOID
       else {
         for (i=1; i<32; ++i) {
            if ( (aval>Ana[0][i]) && (aval<=Ana[1][i]) ) return i;
         }   
         for (i=32; i<64; ++i) {
            if ( (aval<Ana[0][i]) && (aval>=Ana[1][i]) ) return i;
         } 
       } 
       return 32;
    }   
    
    
    
    
    
    //-------------------------------------------------------------------------------------
    // mem test
    extern  char _end;
    extern  "C" char *sbrk(int i);
    char    *ramstart=(char *)0x20070000;
    char    *ramend=(char *)0x20088000;
    
    //=====================================================================================
    void memtest(int ypos, char * str) {
       char     sbuf[128];  // output string
       
       char *heapend=sbrk(0);
       register char * stack_ptr asm ("sp");
       struct mallinfo mi=mallinfo();
    
       sprintf(sbuf,str);
       Serial.println(); Serial.println(sbuf); myGLCD.print(sbuf, 0, ypos);
    
       sprintf(sbuf, "Dyn.RAM used: %-10ld ", mi.uordblks);
       Serial.println(sbuf); myGLCD.print(sbuf, 0, ypos+10);
    
       sprintf(sbuf, "Prg.stat.RAM used %-10ld ", & _end - ramstart);
       Serial.println(sbuf); myGLCD.print(sbuf, 0, ypos+20);
    
       sprintf(sbuf, "Stack RAM used %-10ld ", ramend - stack_ptr);
       Serial.println(sbuf); myGLCD.print(sbuf, 0, ypos+30);
    
       sprintf(sbuf, "Free mem: %-10ld ", stack_ptr - heapend + mi.fordblks);
       Serial.println(sbuf); myGLCD.print(sbuf, 0, ypos+40);
       myGLCD.print(wspace, 0, ypos+50);
    
    }
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    //=====================================================================================
    // net: clear, set, reset, patch
    //=====================================================================================
    
    void clrnetbuf() {
      memset(inbuf,  0, sizeof(inbuf) );
      memset(currIn, 0, sizeof(currIn) );
      memset(outbuf, 0, sizeof(outbuf) );
      memset(currOut, 0, sizeof(outbuf) );
    }
    
    //=====================================================================================
     
    void ResetNet(){
       
       memset(Input, 0, sizeof(Input) );   
       memset(Target, 0, sizeof(Target) );
       //memset(Contxt, 0, sizeof(Contxt) );
    
       clrnetbuf();
       NumPattern=0;
    }
    
    
    
    
    
    
    
    
    
    //=====================================================================================
    // set input/target patterns manually
    //=====================================================================================
    
    int16_t   setIOpattern(int16_t  patt) {
       int16_t  result;
       char     sbuf[128];  // output string
       
       if(patt==-1) patt = CheckTestPattern(inbuf);        // pattern number if known, if not: -1
       
       if( patt > 0 ) sprintf(sbuf, "  PATCH target #%-3d", patt);
       else  sprintf(sbuf, "  NEW  target #%-3d", NumPattern+1);
       
       
       result=menu_setouttargets(sbuf);
       if (result == -1) return (result);     // break by escape btn   
       
       if (patt == -1) {                      // unknown => add new pattern!
          SetNewPattern( inbuf,  outbuf );
          result=NumPattern;
       }
       else {                                 // override old pattern
          PatchPattern( patt,  inbuf,  outbuf);
          result=patt;
       }
    
       return result;                        // return written pattern number
       
    }
    
    
    
    
    
    
    
    
    
    
    
    
    
    //=====================================================================================
    
    //=====================================================================================
    // display net inputs and target outputs
    //=====================================================================================
    void DisplayNetTrainingIOs(int16_t code) {
        int16_t   i, o, p;
        char      sbuf[128];  // output string
        char msg[20]="! SUCCESS !"  ;
        if (code==0) strcpy(msg,"calc.error");
        if (code==2) strcpy(msg,"user-break");
    
        /* print network outputs */
        Serial.println(); Serial.println();
        Serial.println(msg);
    
        sprintf(sbuf, "%-6ld:  Err= %9.7f", epoch, Error) ;
        Serial.print("Epoch "); Serial.println(sbuf);
        myGLCD.print(sbuf, 0, 20);
        myGLCD.print(msg, 0, 30);
           
        sprintf(sbuf, "NET TRAINING TIME = %ld sec \n", BPTime/1000);   Serial.println(sbuf);
       
        Serial.println();
        sprintf(sbuf, "Patt. ") ; Serial.print(sbuf); myGLCD.print(sbuf, 0, 40);
        for( i = 1 ; i <= NumInput ; i++ ) {
            sprintf(sbuf, "Inp%-3d ", i) ;  Serial.print(sbuf);
        }
        for( o = 1 ; o <= NumOutput ; o++ ) {
            sprintf(sbuf, "Targ%-3d Outp%-3d ", o, o); Serial.print(sbuf);
        }
        for(int p = 1 ; p <= NumPattern ; p++ ) {
           Serial.println();
           sprintf(sbuf, "%3d  ", p) ;  Serial.print(sbuf); myGLCD.print(sbuf, 40, 40);
           for( i = 1 ; i <= NumInput ; i++ ) {
                sprintf(sbuf, "%5.2f  ", Input[p][i]) ; Serial.print(sbuf);
            }
            for( o = 1 ; o <= NumOutput ; o++ ) {
                sprintf(sbuf, "%5.2f   %5.2f   ", Target[p][o], Output[p][o]) ;  Serial.print(sbuf);
            }
        }
        Serial.println(); Serial.println();
        sprintf(sbuf, "BPtrained, returning to main()...!") ;  Serial.print(sbuf);
        Serial.println(); Serial.println();
    
    }
    
    
    //=====================================================================================
    
    
    void displayMatrix(int16_t patt) {
      
       int32_t  btn=-1;
       int16_t  i, l, o, ibuf, p, lval=1, hval=NumPattern; 
       float    fbuf;
       char     msgline[30], sbuf[30];
       char     valline[30];     
       
       p=patt;
       if(p==0) p=1;
       if(p>NumPattern) p=NumPattern;
       
       do {   
          strcpy(msgline,"     12345678901234567890");
          sprintf(sbuf, "%-4d", p);
          strinsert(msgline, sbuf, 0);
          LCDWhiteRed();
          Serial.println(msgline); lcdprintxy(0,0,msgline); curlf();
          LCDNormal();
         
          for (i=1; i<=NMAXIN; ++i) {
                l=(i-1)/20;
                if (i%20==1) {             
                   sprintf(sbuf, "%4d ", i-1);
                   Serial.print(sbuf);  lcdprint(sbuf);
                }
                ibuf = round(Input[p][i]); 
                sprintf(sbuf, "%1d", ibuf);
                Serial.print(sbuf);  lcdprint(sbuf);             
                if (i%20==0) {             
                   Serial.println();
                   curlf();
                } 
          }   
          Serial.println();  curlf();     
          strcpy(msgline,"TARG 12345678901234567890");
          LCDRedBlack();
          Serial.println(msgline); lcdprint(msgline); curlf();
          LCDNormal();
         
          for (i=1; i<=NMAXOUT; ++i) {
                l=(i-1)/20;
                if (i%20==1) {             
                   sprintf(sbuf, "%4d ", i-1);
                   Serial.print(sbuf);  lcdprint(sbuf);
                }
                ibuf = round(Target[p][i]); 
                sprintf(sbuf, "%1d", ibuf);
                Serial.print(sbuf);  lcdprint(sbuf);             
                if (i%20==0) {             
                   Serial.println();
                   curlf();
                } 
          }
          Serial.println();
         
          LCDYellowBlue();
          sprintf(msgline, "toggle patt +-1: LEFT/RIGHT");
          Serial.println(msgline);  lcdprintxy(0, LCDmaxY-20, msgline);
          sprintf(msgline, "+-10:UP/DN edit:OK quit:ESC");
          Serial.println(msgline);  lcdprintxy(0, LCDmaxY-10, msgline);     
          LCDNormal();
       
          btn=getbtn();
          if ( (btn==PIN_RI) || (btn==PIN_LE) ) {             // browse displayed pattern
            if (btn==PIN_RI) p=toggleup(lval, hval, p);
              if (btn==PIN_LE) p=toggledn(lval, hval, p);         
          }
          if ( (btn==PIN_UP) || (btn==PIN_DN) ) {             // browse displayed pattern
            if (btn==PIN_UP) p=toggleup(lval, hval, p+9);
              if (btn==PIN_DN) p=toggledn(lval, hval, p-9);         
          }
          if ( (btn==PIN_OK) ) {                              // change displayed pattern          
            setIOpattern(p);        
          }
         
       } while ( (btn!=PIN_ESC ) );
    }
    
    //=====================================================================================
    
    int16_t RefreshInputs() {        // polls inputs and stores values to currIn[] array
    
       // poll digital touch values and store directly (1 Dpin = 1 input)                16 DPins  == 16 
       // poll analog sensor values and store bit pattern for ranges (1 Apin = 6 inputs)  8 A10bit == 48
       // poll motor speed and store bit pattern for speed ranges (1 Apin = 6 inputs)     4 motors == 24 
       // Jordan/Elman neural context neurons == feedback inputs (1...NMAXCON)           20 inputs == 20
       //                                                                                           =108
       int16_t   i, cx; 
       
       cx = NMAXIN - NMAXOUT +1;   // last NMAXCON inputs reserved for context neurons
       //for(i=cx; i<= NMAXIN; ++i) { currIn[i] = Contxt[i] ; }   //
       
    }
    
    
    //=====================================================================================
    
    void  ComputeMatrix() {         // applies currIn[] inputs to net and computes outputs (outbuf[])
        int16_t  i, j, o;
        float    SumH[NMAXHID+1];
        float    SumO[NMAXOUT+1];
        float    HidOut[NMAXHID+1];
        float    SumDOW[NMAXHID+1];
        float    lambda= 0.5;      // context neuron self activation rate
        
        memset(SumH, 0, sizeof(SumH) );
        memset(SumO, 0, sizeof(SumO) );
        memset(HidOut, 0, sizeof(HidOut) );
        memset(SumDOW, 0, sizeof(SumDOW) );
        
        for( j = 1 ; j <= NumHidden ; j++ ) {                  // compute hidden unit activations  
              SumH[j] = WeightLIn[0][j] ;                      // bias neuron
              for( i = 1 ; i <= NumInput ; i++ ) {
                  SumH[j] += currIn[i] * WeightLIn[i][j] ;
              }
              HidOut[j] = 1.0/(1.0 + exp(-SumH[j])) ;          // Sigmoidal Outputs
        }
                
        for( o = 1 ; o <= NumOutput ; o++ ) {                  // compute output unit activations and errors  
              SumO[o] = WeightLOut[0][o] ;                     // bias neuron
              for( j = 1 ; j <= NumHidden ; j++ ) {
                  SumO[o] += HidOut[j] * WeightLOut[j][o] ;
              }
              currOut[o] = 1.0/(1.0 + exp(-SumO[o])) ;           // Sigmoidal Outputs        
        } 
        
        //for( o = 1 ; o <= NumOutput ; o++ ) {                   // compute context neurons   
        //      Contxt[o] = lambda*Contxt[o] + (1-lambda)*currOut[o];  // assign outputs*weight to context neurons                       
        //} 
      
    }
    
    
    //=====================================================================================
    // check for known patterns
    //=====================================================================================
    int16_t  CheckTestPattern(float * test) {
       int16_t  i, p;
       
       for( p = 1; p <= NumPattern ; ++p) {
          for( i = 1; (i <= NumInput) && ( Input[p][i] == test[i] ); ++i);
          if (i > NumInput) {return p; }
       }   
       return -1;
    }
    
    
    //=====================================================================================
    // patch old pattern
    //=====================================================================================
    void PatchPattern(int16_t  patt,  float * _ibuf,  float * _obuf ){
       int16_t i, o;
       
       if ( (NumPattern <= NMAXPAT) && ( NumPattern > 0) ) {
          // # DEBUG
          //Serial.print("NumPattern="); Serial.print(NumPattern);  Serial.print("  SetNetPattern="); Serial.println(patt);
          for(i=1; i<=NMAXIN;  ++i) { Input[patt][i]  = _ibuf[i]; }
          for(o=1; o<=NMAXOUT; ++o) { Target[patt][o] = _obuf[o]; }
       }
    }
    
    
    //=====================================================================================
    // add new pattern
    //=====================================================================================
    void SetNewPattern(float * _ibuf,  float * _obuf ){
      int16_t i, o;
       
      if ( (NumPattern < NMAXPAT) && ( NumPattern >= 0) ) {
          NumPattern++;
          // # DEBUG
          //Serial.print("NumPattern="); Serial.print(NumPattern);  Serial.print("  SetNetPattern="); Serial.println(patt);
          for(i=1; i<=NMAXIN;  ++i) { Input[NumPattern][i]  = _ibuf[i]; }
          for(o=1; o<=NMAXOUT; ++o) { Target[NumPattern][o] = _obuf[o]; }
       }
    }
    // Teil 2 folgt, leider Wartezeit
    Geändert von HaWe (08.09.2018 um 17:33 Uhr)

Seite 1 von 2 12 LetzteLetzte

Ähnliche Themen

  1. RP6 Programmieren lernen?
    Von xMichiiix im Forum Robby RP6
    Antworten: 2
    Letzter Beitrag: 21.03.2014, 00:19
  2. Programieren lernen C++ oder eher Arduino eigene Sprache lernen?
    Von PsychoElvis64 im Forum Arduino -Plattform
    Antworten: 6
    Letzter Beitrag: 17.12.2013, 10:34
  3. Assembler lernen
    Von Attiny im Forum Assembler-Programmierung
    Antworten: 52
    Letzter Beitrag: 09.10.2008, 07:35
  4. Roboterbau lernen
    Von grind im Forum Elektronik
    Antworten: 7
    Letzter Beitrag: 08.09.2005, 18:46
  5. bascom lernen
    Von roooy im Forum Basic-Programmierung (Bascom-Compiler)
    Antworten: 22
    Letzter Beitrag: 06.11.2004, 12:33

Berechtigungen

  • Neue Themen erstellen: Nein
  • Themen beantworten: Nein
  • Anhänge hochladen: Nein
  • Beiträge bearbeiten: Nein
  •  

LiTime Speicher und Akkus