Właściwości metrologiczne radialnych i sigmoidalnych sieci neuronowych zastosowanych do korekcji błędów statycznych w przetworniku próbkującym

• Autorzy: Roj J.

Warianty tytułu

EN

Metrological properties of RBF and MLP neural networks used for static errors correction in a sampling transducer

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wyniki symulacyjnych badań sieci neuronowych o radialnych oraz sigmoidalnych funkcjach aktywacji. Zamodelowano sytuację pomiarową, w której sieci neuronowe realizują korekcję błędów statycznych nieliniowego czujnika pomiarowego w przetworniku próbkującym. Niedokładność neuronowej realizacji korekcji wyrażono za pomocą niepewności. Porównano właściwości metrologiczne obu rodzajów sieci w zależności od ich struktury oraz liczebności zbiorów uczących.

EN

The paper describes the results of simulation studies of RBF and MLP neural networks. There was modeled a measurement situation in which neural networks performed static error correction of a non-linear sensor in a sampling transducer. The correction inaccuracy by neural networks is expressed by the uncertainty. There were compared metrological properties of both types of networks depending on their structures and size of learning sets.

Słowa kluczowe

PL

RBF; korekcja; odtwarzanie; niepewność

EN

RBF; correction; reconstruction; uncertainty

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 1a
• Strony: 84--87
• Opis fizyczny: Bibliogr. 16 poz., rys., wykr.

Twórcy

autor

Roj J.

• Politechnika Śląska, Instytut Metrologii, Elektroniki i Automatyki

Bibliografia

• [1] Jakubiec J., Roj J., Pomiarowe przetwarzanie próbkujące, Podręcznik akademicki. Wydawnictwo Politechniki Śląskiej, Gliwice 2000
• [2] Morawski R. Z., Zadania odwrotne w metrologii. Podstawowe Problemy Metrologii. Prace Komisji Metrologii Oddziału PAN w Katowicach. Seria: Konferencje, Nr 1. Gliwice-Ustroń, 1998, 37-49
• [3] Morawski R. Z., Unified Approach to Measurand Reconstruction", IEEE Transactions on Instrumentation and Measurement, 1994, Vol. 43, No. 2, 226–231
• [4] Tadeusiewicz R., O celowości zastosowania sieci neuronowych w problemach związanych z elektrotechniką, Przegląd Elektrotechniczny, 85 (2009), nr.2, 200-211
• [5] Osowski S., Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej. Warszawa 2006
• [6] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., Biocybernetyka i Inżynieria Biomedyczna 2000. Sieci neuronowe. Tom VI, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000
• [7] Skubalska-Rafajłowicz E. (red.), Sieci neuronowe w przetwarzaniu strumieni danych. Struktury sieci i algorytmy uczenia. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2011
• [8] Haykin S., Neural Networks: A Comprehensive Foundation. Prentice Hall, 3 edition 2008
• [9] Xingui H., Shaohua X., Process Neural Networks. Theory and Applications. Springer-Verlag, Berlin Heidelberg, 2009
• [10] Tadeusiewicz R., Wprowadzenie do sieci neuronowych. StatSoft, Kraków, 2001
• [11] Roj J., Właściwości metrologiczne jednokierunkowych sieci neuronowych. Zeszyty Naukowe Pol. Śl., seria ELEKTRYKA, z. 205 (2008), 87-100
• [12] Jakubiec J., Roj J., Model błędów sieci neuronowej jako ogniwa przetwarzania próbkującego, PAK (2002), n.7-8, 33-36
• [13] Jakubiec J., Makowski P., Roj J., Sieć neutronowa jako element przetwornika próbkującego. Zeszyty Naukowe Pol. Śl., Elektryka z. 195, Gliwice 2005, 75-90
• [14] Jakubiec J., Probabilistyczny opis błędu jako podstawa definiowania niepewności pojedynczego wyniku pomiaru, PAK (2007), n.2, 4-7
• [15] Guide to Expression of Uncertainty in Measurement. ISO 1993, 1995. Tłumaczenie polskie: Wyrażanie niepewności pomiaru. Przewodnik. Główny Urząd Miar, 1999
• [16] Skubis T., Podstawy metrologicznej interpretacji wyników pomiarów. Wydawnictwo Politechniki Śląskiej, Gliwice 2004