Wykorzystanie sztucznych sieci neuronowych do zmniejszenia błędów przetworników impedancji

• Autorzy: Wrzuszczak M. , Khoma Y.

Warianty tytułu

EN

Error correction of impedance-voltage converter with neural network application

• Konferencja: XLVIII Międzyuczelniana Konferencja Metrologów MKM 2016 (XLVIII; 05.09-07.09.2016; Kraków, Polska)
• Języki publikacji: PL

Abstrakty

PL

Przetworniki impedancja – napięcie (Z/U) stanowią podstawowy element komputerowych tomografów impedancyjnych. W artykule przedstawiono sposób zmniejszenia błędów przetwarzania przetwornika Z/U z zastosowaniem sztucznej sieci neuronowej wielowarstwowej, perceptronowej (MLP). Dokładność metody porównano z dokładnością uzyskaną w przypadku wyznaczania poprawek dla dwu składowych impedancji: rezystancyjnej i reaktancyjnej na podstawie wzorów analitycznych wyprowadzonych dla schematu zastępczego układu.

EN

Impedance – voltage transducer (Z/U) are fundamental circuits in Impedance Tomography devices. In the paper the transducer error reducing method for resistance and reactance components of impedance with Multi-Layer Perceptron artificial neural network application is presented. The accuracy of the method is compared with the values calculated with analytical formulas derived for equivalent circuit of the transducer. The consideration presented in the paper focuses only on decreasing the processing error of the impedance/voltage transducer (Z/U), neglecting errors being introduced by following electronic processing stages i.e. phase detector and analog /digital converter.

Słowa kluczowe

PL

przetwornik impedancja-napięcie; sztuczne sieci neuronowe; korekcja wyników pomiarów

EN

impedance to voltage converter; artificial neural network; measurement error correction

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2016
• Tom: Nr 49
• Strony: 133--136
• Opis fizyczny: Bibliogr. 17 poz., rys., wykr., tab.

Twórcy

autor

Wrzuszczak M.

• Politechnika Opolska, Instytut Automatyki i Informatyki tel.: [phone]

autor

Khoma Y.

• Politechnika Lwowska, Instytut Technologii Komputerowych, Automatyki i Metrologii, Ukraina

Bibliografia

• 1. Barsoukov E., MacDonald J.R. Impedance spectroscopy: theory, experiment and application. - N.Y.: Willey, pp. 2005. - 595.
• 1. Sze S.M., Kwok K.Ng. Physics of Semiconductor Devices. - Wiley Interscience, pp. 2007, p. 815.
• 2. Ramos P.M., Janeiro F.M. Gene expression programming for automatic circuit model identification in impedance spectroscopy: Performance evaluation, Measurement 46 (2013) pp. 4379–4387.
• 3. Grimnes S., Martinsen O. G. Bioimpedance & Bioelectricity Basics. Second Edition: Academic Press, Elsevier, 2008, pp. 471.
• 4. Tobiszewski M. T., Arutunow A., Darowicki K.: Application of dynamic impedance spectroscopy to scanning probe microscopy. Microscopy and Microanalysis, Vol. 20 Issue 02 , April 2014, pp. 582-585.
• 5. Agilent Impedance Measurement Handbook. A guide to measurement technology and techniques: 4-th Edition. Agilent Technologies, Inc. (2009), 5950-3000, p.140.
• 6. Hoja J., Lentka G. An analysis of a measurement probe for a high impedance spectroscopy analyzer , Measurement 41 (2008), pp. 65–75.
• 7. Hoja J., Lentka G., 2013, A family of new generation miniaturized impedance analyzers for technical object diagnostics, Metr. & Meas. Syst., Vol. 20, No. 1, pp.43-52.
• 8. AD5933. 1 MSPS, 12-Bit Impedance Converter, Network Analyzer //http://www.analog.com
• 9. Khoma V., Wrzuszczak M. Kompensacyjny miernik impedancji, Przegląd Elektrotechniczny, R. 84 NR 5/2008, str. 33-36.
• 10. Dutta M., Chatterjee A., Rakshit A. Intelligent phase correction in automatic digital ac bridges by resilient backpropagation neural network, Measurement 39 (2006), pp. 884–891.
• 11. Smolczyk A., Khoma V. Algorytm korekcji błędów dynamicznych autokompensacyjnego miernika admitancji, Przegląd Elektrotechniczny, R. 84 NR 11/2008, str. 80-84.
• 12. Roj J., Neural Network Based Real-time Correction of Transducer Dynamic Errors, Measurement Science Review, Volume 13, No. 6, 2013, pp. 286 – 291.
• 13. Wrzuszczak M., Wrzuszczak J. Eddy current flaw detection with neural network application. Measurement 38 (2005) pp. 132-136.
• 14. Dostal J. Operational Amplifiers, Second Edition, Butterworth-Heinemann, 1993, p. 381.
• 15. Smith S. W. Digital Signal Processing: A Practical Guide for Engineers and Scientists, Elsevier Science, Burlington, MA, USA, 2003, p.650.
• 16. Burden F, Winkler D, Bayesian regularization of neural networks, Methods in Molecular Biology, 2008.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.