データベースドモデリングステップ

Model Type

使用したいモデルタイプを選択します。

モデルタイプとその設定の詳細についてはNARXモデルタイプを参照してください。

Model Properties

Edit ボタンで選択されたモデルタイプについての <output> Parameters ウィンドウが開きます。

モデルプロパティについての詳細は、NARXモデルタイプを参照してください。

Feedback Structure

• Min/Max Time Lag

  すべての入力と出力について、NARX構造において考慮すべき最大／最小タイムラグを入力します。このフィードバック値は「フィーチャー」とも呼ばれます。

  

  最初は、IACF分析の結果（位相プロットとACF／IACF出力（Phase Plot and ACF/IACF Outputs）を参照）を使用することをお勧めします。

• Initial States

  Initial State of NARX Values ウィンドウが開き、NARX値の初期状態について設定を行うことができます。NARX値についての詳細は、NARXの初期値を参照してください。

Inputs/Output

Inputs テーブルには各入力の行が表示されます。Output テーブルには現在作業している出力の行（1行）が表示されます。

各テーブルには指定された数のタイムラグの列が表示されます。テーブルセル内のチェックボックスがオンの場合、そのフィーチャーが選択されていることを意味します。

Training Labels

Validation Labels

Network Layout

Layer Type

ネットワークセルのタイプを選択します。再帰型ニューラルネットワーク（Recurrent Neural Networks）によるモデル予測を参照してください。

Number of Layers

層の数を入力します。層の数に応じて、Cell Memory Size の入力フィールド数が変わります。

Cell Memory Size

ニューラルネットワークのノード当たりのセルメモリサイズを入力します。一般的な値の範囲は[5, 20]です。実際のメモリセルのサイズはセルタイプに依存します。

Activation Function

すべての層で使用される活性化関数を選択します。デフォルトは Tanh で、別の関数を使うと、精度は落ちても計算効率が良くなる可能性があります。ドロップダウンの隣の をクリックすると、Activation Function Comparison ウィンドウ が開きます。

Recurrent Activation Function

すべての層で使用されるリカレント活性化関数を選択します。デフォルトは Sigmoid で、別の関数を使うと、精度は落ちても計算効率が良くなる可能性があります。ドロップダウンの隣の をクリックすると、Activation Function Comparison ウィンドウ が開きます。

Use Skip Connections

層の入力をその出力に加えるには、これをオンにします。

入力と出力のサイズが一致しない場合、入力は追加の畳み込み層で処理されてから出力に追加されます。スキップ接続は、選択された層をスキップして情報を流すことを可能にするもので、トレーニングを簡素化し、ネットワークのパフォーマンスを向上させることが示されています。

詳細情報

入力数と出力数が等しい層ブロックのスキップ接続です。ニューラルネットワークブロックは、1つの層（1つのLSTM層など）のみで構成することができます。	入力数と出力数が異なる層ブロックのスキップ接続です。ニューラルネットワークブロックは、1つの層（1つのLSTM層など）のみで構成することができます。線形活性化を伴う1D畳み込みを使用して、スキップされる層の出力サイズに合わせて入力を調整します。

Number of Network Parameters

現在の設定（潜在的な初期化ネットワークを含む）においてモデルトレーニングで使用されるパラメータの数を、動的に表示します。

Output Properties

Output Transformation

出力の変換タイプを選択します。変換を利用することによりモデル予測を改善できます。トレーニングデータの値に負またはゼロが含まれる場合、一部の変換は使用不可となります。

以下から選択できます：

• none - 変換なし
• log(y) - 対数

• Bounded：上下限値内に制限されます。

  Edit をクリックして自動的に選択された上下限値を表示、または手動で下限値と上限値を定義することができます。これらを手動で定義するには、Automatic チェックボックスをオフにします。上下限値はトレーニングデータの範囲内である必要があります。

  

• log(y+c)：対数 + 定数

  Edit をクリックして自動的に選択された対数シフトを表示、または手動でシフト値を定義することができます。これを手動で定義するには、Automatic チェックボックスをオフにします。

  

Training Properties

Continue Training

新しいトレーニングを開始する代わりに、可能であれば既存のモデルトレーニングと反復を続行するには、このオプションをオンにします。Training Properties を変更して続行することができます。Network Layout は、変更せずにそのまま保持する必要があります。たとえば、複雑な活性化関数でトレーニングした後、ECUにとってより効率的な関数に切り替え、シームレスにトレーニングを続けることができます。Continue Training は、オプティマイザとして Stochastic Gradient Descentを使用する場合（Manual Detailed Training Settings > Optimizer）に最適であるため、Continue Training がオンになっている場合は、これが自動的に選択されます。

Number of Multistarts

異なる開始値で行う反復の回数を入力します。値が大きいとモデル品質が向上しますが、モデルトレーニングの所要時間が長くなります。デフォルトは3です。

Number of Iterations

モデルトレーニングにおいて実施する反復回数を入力します。検証データで10回反復してもモデル性能が向上しない場合、トレーニングは中止されます。ディープラーニングにおいて、これはよく「エポック数」と呼ばれます。

Network Layout

Layer Type

1D Convolution／Temporal Convolution のいずれかのセルタイプを選択します。

Number of Layers

層の数を入力します。以下の4つのオプションでは、層数に応じた数の入力フィールドが表示されます。

Number of Filters

各層のフィルタの数を指定します。

Kernel Size

各層のカーネルサイズを指定します。

Dilation Rate

各層の膨張率を指定します。各時間的畳み込み層は、膨張率 r で膨張された Conv1d層を使用します。つまり、入力のrthごとの要素すべてが畳み込みに使用されます。たとえば、入力配列全体を使用したい場合は、i 番目の層に r=bi-1 を使用することができます（bは自然数 ≥ 2）。各層のデフォルトは r=1 です。

Leaky ReLU Slope

CNN層の活性化関数Leaky ReLUを指定します。負の入力に対する傾きは、0（ReLU活性化）から1（線形活性化）までの区間で設定することができます。

：活性化関数のプロットを、現在の傾き値で開きます。各フィールドに異なる値が入力されている場合は、値ごとに1つの関数がプロットされます。

Use Skip Connections

層の入力をその出力に加えるには、これをオンにします。

入力と出力のサイズが一致しない場合、入力は追加の畳み込み層で処理されてから出力に追加されます。スキップ接続は、選択された層をスキップして情報を流すことを可能にするもので、トレーニングを簡素化し、ネットワークのパフォーマンスを向上させることが示されています。

詳細情報

入力数と出力数が等しい層ブロックのスキップ接続です。ニューラルネットワークブロックは、1つの層（1つのLSTM層など）のみで構成することができます。	入力数と出力数が異なる層ブロックのスキップ接続です。ニューラルネットワークブロックは、1つの層（1つのLSTM層など）のみで構成することができます。線形活性化を伴う1D畳み込みを使用して、スキップされる層の出力サイズに合わせて入力を調整します。

Receptive Field

モデルが考慮した過去の時間ステップの数が表示されます。カーネルサイズと膨張率の値に応じた値が動的に表示されます。この値（k）は、区間[t-(k-1),t]からの入力（すべてではない場合もあります）が、時間ステップtでの出力計算に使われることを意味します。

指定されたカーネルサイズと膨張率で生成された受容野のスケマティック表現を開きます。

Number of Network Parameters

現在の設定（潜在的な初期化ネットワークを含む）においてモデルトレーニングで使用されるパラメータの数を、動的に表示します。

Output Properties

Output Transformation

出力の変換タイプを選択します。変換を利用することによりモデル予測を改善できます。トレーニングデータの値に負またはゼロが含まれる場合、一部の変換は使用不可となります。

以下から選択できます：

• none - 変換なし
• log(y) - 対数

• Bounded：上下限値内に制限されます。

  Edit をクリックして自動的に選択された上下限値を表示、または手動で下限値と上限値を定義することができます。これらを手動で定義するには、Automatic チェックボックスをオフにします。上下限値はトレーニングデータの範囲内である必要があります。

  

• log(y+c)：対数 + 定数

  Edit をクリックして自動的に選択された対数シフトを表示、または手動でシフト値を定義することができます。これを手動で定義するには、Automatic チェックボックスをオフにします。

  

Training Properties

Continue Training

新しいトレーニングを開始する代わりに、可能であれば既存のモデルトレーニングと反復を続行するには、このオプションをオンにします。Training Properties を変更して続行することができます。Network Layout は、変更せずにそのまま保持する必要があります。たとえば、複雑な活性化関数でトレーニングした後、ECUにとってより効率的な関数に切り替え、シームレスにトレーニングを続けることができます。Continue Training は、オプティマイザとして Stochastic Gradient Descentを使用する場合（Manual Detailed Training Settings > Optimizer）に最適であるため、Continue Training がオンになっている場合は、これが自動的に選択されます。

Number of Multistarts

異なる開始値で行う反復の回数を入力します。値が大きいとモデル品質が向上しますが、モデルトレーニングの所要時間が長くなります。デフォルトは3です。

Number of Iterations

モデルトレーニングにおいて実施する反復回数を入力します。検証データで10回反復してもモデル性能が向上しない場合、トレーニングは中止されます。ディープラーニングにおいて、これはよく「エポック数」と呼ばれます。

Snippet Length

データを分割した配列のサイズを入力します。これによりオプティマイザは、固定長（入力された値と受容野の長さの合計）の配列のバッチを取得します。スニペット長のデフォルト値は50です。

現在のデータの長さがこの程度のステップ数以下であれば、"Snippet Length" = 50での最適化も可能ですが、スニペット長を短くすることをお勧めします。値が小さいほどトレーニングが速くなります。