КОРИГУВАННЯ ФУНКЦІЇ ПЕРЕТВОРЕННЯ ЗАСОБІВ ВИМІРЮВАННЯ З ВИКОРИСТАННЯМ НЕЙРОМЕРЕЖЕВОГО ПІДХОДУ

S. Avakin; S. Dovhopolyi; O. Zaporozhets; I. Moshchenko

doi:10.26906/SUNZ.2025.2.041

Автор(и)

S. Avakin
S. Dovhopolyi
O. Zaporozhets
I. Moshchenko

DOI:

https://doi.org/10.26906/SUNZ.2025.2.041

Ключові слова:

нелінійність, коригування, функція перетворення, штучна нейронна мережа, багатошаровий персептрон, радіально-базисна нейромережа, навчання

Анотація

У статті розглянуто способи зменшення впливу нелінійності функції перетворення засобів вимірювання на точність результату вимірювання шляхом застосування додаткового пристрою-коректора, який реалізує зворотну по відношенню до функції перетворення залежність. Метою дослідження є вивчення можливостей застосування у якості такого коректора штучних нейронних мереж, а саме багатошарового персептрона та радіальнобазисної нейромережі. За допомогою імітаційного комп’ютерного моделювання досліджено працездатність запропонованих методів коригування функції перетворення, вплив виду нелінійності на якість такого коригування. Здійснено порівняльний аналіз з традиційними підходами, а саме коректором на базі поліноміального апроксиматора. Результати моделювання свідчать про те, що точність нейромережевих коректорів не поступається точності поліноміального коректора, а у деяких випадках навіть вище. Це відкриває перспективи ширшого застосування у вимірювальній техніці таких сучасних методів обробки даних вимірювань, як штучні нейронні мережі.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Грановский В.А., Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. Л.: Энергоатомиздат, 1990. 288 с.

2. Bishop C.M. Pattern Recognition and Machine Learning. Springer. 2006. 738 p.

3. Haykin S. Neural Networks and Learning Machines. 3 rd. ed. Pearson, 2009. 906 p.

4. Теорія та практика нейронних мереж : навч. посіб. /Л. М. Добровська, І. А. Добровська. К.: НТУУ «КПІ» Вид-во «Політехніка», 2015. 396 c.

5. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. 2(5). pp. 359-366.

6. Запорожец О.В., Коротенко В.А., Овчарова Т.А. Компенсация нелинейности функции преобразования измерительных устройств с помощью искусственной нейронной сети. Системи управління, навігації та зв’язку. Вип. 4(16). 2010. С. 99–103.

7. Дегтярев А.В., Запорожец О.В., Овчарова Т.А. Адаптивная система компенсации нелинейности функции преобразования измерительных устройств на базе трехслойного персептрона. Электротехнические и компьютерные системы. № 06(82). 2012. С. 235–241.

8. Запорожец О.В., Овчарова Т.А. Компенсация нелинейности динамических измерительных преобразователей при помощи нейросетевых моделей. Метрологія та прилади. Вип. № 1/II/(45). 2014. С. 74–77.

9. Запорожец О.В., Овчарова Т.А., Руженцев И.В. Компенсация нелинейности полупроводникового терморезистора с помощью искусственной нейронной сети. Системи обробки інформації. 2015. №6 (131). С. 64–67.

10. Zaporozhets O.V., Shtefan N.V. Using Artificial Neural Network for Compensation of Semiconductor Thermistor Nonlinearity. 2019 IEEE 8th International Conference on Advanced Optoelectronics and Lasers (CAOL), Sozopol, Bulgaria, 6-8 Sept. 2019. PP. 703–706.