- Features von Schätzungen statt von Messungen
- Timestep als input feature
- onehotencoding für typ und alle schüttgutsorten in ein Netz
- Daten clean up
- Kollisionstracks aussortieren
- Fehlerhistogram
- Signifikante Features identifizieren
- Unterschied mit/ohne Orientierung bei Zylinderdatensatz austesten
- Feature Engineering und Tuning
- Statt x0,...,x4 könnte man die Features so vorverarbeiten, wie das Netz sie wohl auch verarbeiten wird. Z. B. für die Prädtikion des nächsten Zeitschritts nur die Inkremente "x4 - x3". Ggf. könnten auch höhere Ableitungen integriert werden. Output wäre dann einfach Inkrement zum nächsten Zeitschritt. Bei der Prädiktion zum Düsenbalken käme dann der aktuelle Abstand als zusätzliches Feature rein.
- Eventuell können dann schlankere Netze verwendet werden, da bspw. keine Neuronen zur Bestimmung der Ableitung notwendig sind. Ggf. könnte man auch überflüssige Neuronen mithilfe von L1-Regularisierung identifizieren.
- Indem man alles in ähnlicher Größenordnung hat und sich beispielsweise nur eine Abweichung vom aktuellsten Inkrement geben lässt, könnte ggf. eine gute L2-Regularisierung umgesezt werden.
- Nutzung eines Bias-Neurons
- Unsicherheit der Vorhersage
- MSE über alle Teilchen gerechnet. Achtung: Abweichung enthält auch Abweichung der Messung (des Labels)
- Abweichung als Label in neues Netz (Aber: Mehrfachverwendung von Daten)
- Schwierigere Fälle betrachten
- Aufnahmen von weiter vorne bei der Aufgabe der Partikel