Inkrementelles Lernen

Ebenso wie bei der „Schallbasierten Ortung“, muss dem Algorithmus zunächst durch ein Fingerprinting die Raumimpulsantwort an verschiedenen Positionen auf dem Tisch „beigebracht werden“. Näheres hierzu unter Schallbasierte Ortung – Versuchsaufbau. Dadurch wird das Langzeitgedächtnis gebildet, welches dem Algorithmus ermöglicht, das Mikrophon dann korrekt zu orten, wenn sich der Raum in seinem Ausgangszustand befindet.

Wurden wesentliche Änderungen an dem Raum vorgenommen, wie zum Beispiel durch das Platzieren eines Buches vor dem Lautsprecher, wird das Langzeitgedächtnis häufig fehlerhaft arbeiten (gelbe, blaue und rote Kurve in Abbildung).
Die Datensätze OffData1 und OffData2 beinhalten je 1200 Raumimpulsantworten, die an verschiedenen Positionen des Tisches aufgenommen wurden, ohne das ein Buch zwischen Mikrophon und Lautsprecher platziert war. Die Datensätze OnData1, OnData2 und OnData3 beinhalten ebenfalls je 1200 Raumimpulsantworten an den gleichen Positionen, jedoch mit dem Buch als Objekt zur Änderung der Raumimpulsantwort. Bild 2 zeigt sehr deutlich, dass eine korrekte Positionsbestimmung, mit dem Langzeitgedächtnis alleine, nicht mehr möglich ist.

Bei dem Versuch diese Änderungen im Langzeitgedächtnis zu erlernen, könnte sehr schnell das Problem auftreten, dass die bisher korrekt georteten Positionen bald nicht mehr funktionieren, weshalb das Langzeitgedächtnis nicht verändert werden soll. Es soll statisch das Basiswissen beinhalten, um die korrekte Klassifizierung zu gewährleisten, falls sich der Raum in seinem Grundzustand befindet.
Nun wäre eventuell der erste Gedanke, ähnlich wie bei dem Langzeitgedächtnis, in einem weiteren Fingerprinting die Änderungen durch das Buch zu „erlernen“. Dies würde jedoch dazu führen, dass jede mögliche Änderung am Raum, mit einem sehr intensiven Fingerprinting erlernt werden müsste. L. Fischer, B. Hammer und H. Wersing schlagen in Ihrem Artikel „Combining Offline and Online Classifiers for Life-long Learning“ [1] ein dynamisches Kurzzeitgedächtnis als Alternative vor, dass Raumänderungen zur Laufzeit des Algorithmus erlernen und vergessen kann. Dies geschieht durch die Implementierung eines Supervised Online Learning Algorithmus, der in der Lage ist zur Laufzeit, also ohne gesonderte Trainingsphase „inkrementell“ zu lernen, jedoch dazu zusätzliche Informationen in Form der tatsächlichen Position (bzw. die korrekten Label) des Mikrophons benötigt. Der Algorithmus nutzt diese Positionen, um zu erkennen, wenn er einen Datensatz falsch klassifiziert (ortet), und nutzt dann die Lernende Vektor Quantisierung (LVQ), um die Qualität des falsch klassifizierten Datensatzes zu beurteilen. Erscheint dieser Datensatz als geeignet, ein gutes Beispiel für zukünftige Klassifizierungen zu liefern, wird er zusammen mit der korrekten Position im Kurzzeitgedächtnis gespeichert.

Nähere Informationen zur LVQ und der Online Offline Learning Architektur finden Sie in dem IEEE Access Artikel.

Der Ablauf ist in den beiden Abbildungen schematisch dargestellt. Wenn ein Fahrzeug die Mautstraße erreicht und vor der Schranke anhält, wird der nun folgende Prozess manuell angestoßen: Zuerst muss sich das Fahrzeug dem Mautsystem gegenüber identifizieren. Dazu sendet es seine in der Konfigurationsdatei hinterlegten Identifikationsdaten an die Mautstation. Diese prüft die Daten und genehmigt die Weiterfahrt. Ab diesem Zeitpunkt übermittelt das Fahrzeug periodisch alle 30 Sekunden die von den Sensoren gemessenen Werte an einen Ict-Node, von wo aus sie verschlüsselt in einen dafür vorgesehenen Channel on-top auf dem Tangle gesendet werden. Auf diesen Channel hat auch der zweite Ict-Node Zugriff. Sobald das Fahrzeug die Abfahrt erreicht, (dieses Ereignis wird wieder manuell über einen MQTT-Befehl ausgelöst,) wird zum zweiten Mal seine Identität geprüft und sofort anhand der im Channel gespeicherten Daten die Mautgebühr berechnet. Mit der Bezahlung endet ein Durchlauf. Dieser ganze Prozess kann im Video zu diesem Versuch beobachtet werden.

Die Qualität des neuen Datensatzes im Kurzzeitgedächtnis wird mittels eines Wertes, der zusätzlich gespeichert wird, laufend aktualisiert. Wird ein Prototyp des Kurzzeitgedächtnisses häufig zur korrekten Positionsbestimmung verwendet, wird dieser Wert gesteigert. Liefert der Prototyp falsche Ortungsergebnisse, wird der Wert gesenkt. Dies ermöglicht dem Algorithmus zu vergessen, in regelmäßigen Abständen werden diese Werte geprüft, und Prototypen des Kurzzeitgedächtnisses, die einen negativen Wert

Die Abbildung zeigt die deutlich verbesserte Klassifizierungsrate bei den Datensätzen, die im veränderten Umfeld generiert wurden (OnData1, OnData2, OnData3). Erst nachdem Erlernen der Raumänderung werden dem Algorithmus die Messungen der Raumimpulsantwort im unveränderten Raum zur Klassifizierung übergeben. Hier zeigt sich die besondere Qualität des Verfahrens, das unveränderte Langzeitgedächtnis arbeitet weiterhin korrekt. Bei genauer Auswertung der Daten zeigt sich, dass die Klassifizierungsrate sogar noch gesteigert wird, da das Kurzzeitgedächtnis sich (bei richtiger Konfiguration) so schnell anpasst, dass Positionen, die durch das Langzeitgedächtnis nicht korrekt geortet werden, im Kurzzeitgedächtnis erlernt werden. Im Besten Fall konnte so eine Klassifizierungsrate von 97,5 % bei 1200 Datensätzen erreicht werden.

Die Matlab Implementierung des Algorithmus, sowie die 7200 aufgenommenen Testdaten können Sie hier herunterladen.

Im IEEE Access Artikel finden Sie weitere Erläuterungen zur Funktionsweise.