Vergleich von Hyperparameter-Optimierungsmethoden anhand eines neuronalen Wank- und Nickwinkelschätzers

Im Rahmen dieser Bachelorarbeit werden verschiedene Hyperparameteroptimierungsmethoden anhand eines neuronalen Wank- und Nickwinkelschätzers sowohl hinsichtlich ihrer besten observierten Lösung als auch bezüglich ihrer zur Optimierung benötigten Zeit miteinander verglichen. Bei den verwendeten Optimierungsmethoden handelt es sich um die Zufallssuche, einen genetischen Algorithmus, die Sequential Model-based Bayesian Optimization und den Hyperband-Algorithmus. Die Durchführung der einzelnen Hyperparameteroptimierungsmethoden erfolgt in Python auf mit IPG-CarMaker generierten Trainings- und Validierungsdatensätzen. Um die Generalisierungsfähigkeit des neuronalen Netzes im Anschluss zu überprüfen, wird ein zusätzlicher Testdatensatz herangezogen.

This bachelor thesis compares several hyperparameter optimization methods using a neuronal roll and pitch angle estimator, both with regard to their best observed solution and with respect to the time required for optimization. The optimization methods used are Random Search, a genetic algorithm, Sequential Model-based Bayesian Optimization and the Hyperband algorithm. The individual hyperparameter optimization methods are carried out in Python on training and validation sets generated with IPG-CarMaker. In order to evaluate the generalization capability of the neural network an additional test set is taken into consideration.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten