Poprawa lokalizacji UWB przy pomocy sieci neuronowych

Autorzy

Imię i Nazwisko (inicjały)	Nick
Klim Hudzenko (KH)	klimh
Remigiusz Tomecki (RT)	Remko23

Opis projektu

Projekt ma na celu poprawę dokładności lokalizacji UWB (Ultra-Wideband) przy użyciu zaawansowanej sieci neuronowej. System wykorzystuje dane statyczne do treningu oraz dane dynamiczne do weryfikacji skuteczności rozwiązania.

Architektura sieci neuronowej

Struktura warstw

1. Warstwa wejściowa:

   • Kształt: (5, 2) - sekwencje 5 próbek z 2 wymiarami (x, y)

2. Warstwy LSTM:

   • LSTM(128) z return_sequences=True
   • Dropout(0.2)
   • LSTM(64)

3. Warstwy gęste:

   • Dense(128) z aktywacją ReLU
   • BatchNormalization
   • Dropout(0.3)
   • Dense(64) z aktywacją ReLU
   • BatchNormalization
   • Dropout(0.2)

4. Warstwa wyjściowa:

   • Dense(2) - przewidywane koordynaty (x, y)

Funkcje aktywacji

• ReLU (Rectified Linear Unit) w warstwach ukrytych
• Liniowa w warstwie wyjściowej

Mechanizm eliminacji błędnych pomiarów

1. Preprocesssing danych:

   • Wykrywanie wartości odstających (outliers) metodą z-score
   • Standaryzacja danych wejściowych i wyjściowych
   • Tworzenie sekwencji czasowych dla lepszego przetwarzania temporalnego

2. Regularyzacja w sieci:

   • Dropout dla zapobiegania przeuczeniu
   • Normalizacja wsadowa (Batch Normalization)
   • Wczesne zatrzymywanie (Early Stopping)

Algorytm uczenia

Optymalizator

• Adam z harmonogramem zmiennej wartości współczynnika uczenia
• Początkowy learning rate: 0.001
• Decay steps: 1000
• Decay rate: 0.9

Funkcja straty

• Mean Squared Error (MSE)

Metryki

• Mean Absolute Error (MAE)

Parametry treningu

• Epochs: 200 (z Early Stopping)
• Batch size: 32
• Validation split: 0.2

Wyniki

Wyniki porównania dystrybuant błędu znajdują się w pliku cdf_values.xlsx oraz są wizualizowane w pliku cdf_comparison.png.

Struktura projektu

.
├── main.py              # Główny skrypt
├── README.md           # Dokumentacja
├── cdf_comparison.png  # Wykres porównawczy CDF
├── training_history.png # Historia treningu
├── cdf_values.xlsx     # Wartości dystrybuanty błędu
├── F8/                 # Katalog z danymi F8
└── F10/               # Katalog z danymi F10

Wymagania

tensorflow
numpy
pandas
matplotlib
scikit-learn

Jak uruchomić

1. Upewnij się, że masz zainstalowane wszystkie wymagane biblioteki
2. Umieść dane w odpowiednich katalogach (F8 i F10)
3. Uruchom skrypt:

python main.py