Wpływ metod regularyzacji na jakość działania estymatorów neuronowych w napędzie dwumasowym

• Autorzy: Orłowska-Kowalska T.

Warianty tytułu

EN

Influence of regularization methods on the operation quality of neural state estimators of two-mass drive system

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono analizę wpływu strategii uczenia sieci neuronowych z zastosowaniem metod regularyzacyjnych na jakość odtwarzania zmiennych stanu napędu z połączeniem elastycznym. Przeprowadzono badania dotyczące najczęściej spotykanych członów regularyzacyjnych. Testowano wpływ parametrów tych elementów na proces estymacji momentu skrętnego i prędkości maszyny roboczej. Ponadto dla opracowanych estymatorów neuronowych wykonano badania mające na celu wyznaczenie odporności tych estymatorów na zmiany momentu bezwładności napędu.

EN

In the paper the influence of training strategies of neural networks, using different regularization methods, on the state variable estimation of the drive system with elastic joint is demonstrated. The most frequently used regularization strategies are taking into account. The influence of specific parameters of these methods on the estimation quality of torsional torque and load side speed of the two-mass drive is tested. Moreover the robustness of the obtained neural estimators to the load inertia changes is tested.

Słowa kluczowe

PL

sieci neuronowe; metody treningu; regularyzacja; napęd dwumasowy; estymacja zmiennych stanu

EN

neural networks; training methods; two-mass system; state variable estimation

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2010
• Tom: R. 86, nr 4
• Strony: 174--179
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wykr.

Twórcy

autor

Orłowska-Kowalska T.

• Politechnika Wrocławska, Instytut Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław,

Bibliografia

• [1] Szabat K. , Struktury sterowania elektrycznych układów napędowych z połączeniem sprężystym, Prace Naukowe IMNiPE PWr., 61 (2008), ser. Monografie, nr 19
• [2] Orlowska-Kowalska T. , Szabat K. , Vibration Suppression in Two-Mass Drive System using PI Speed Controller and Additional Feedbacks – Comparative Study, IEEE Trans. Ind. Electronics, 54 (2007), n.2, 1193-1206
• [3] Orlowska-Kowalska T. , Kaminski M. , Application of the OBD Method for Optimization of Neural State Variable Estimators of the Two-mass Drive System, Neurocomputing, 72 (2009), 3034-3045
• [4] Girosi F. , Jones M. , Poggio T. , Regularization theory and neural networks architectures, Neural Computation, 7 (1995), n.1, 219-269
• [5] Tikhonov A. N. , Solution of incorrectly formulated problems and the regularization method, Soviet Mathematical Doklady, (1963), n.4, 1035-1038
• [6] Koshizen T . , Rosseel Y., Tonegawa Y., A new EM algorithm using Tikhonov regularization, IEEE Proc. Int. Joint Conf. on Neural Networks, 1 (1999), 413-418
• [7] Tikhonov A. N., Arsenin V. Y., Solutions of ill-posed problems, Wiley, New York, 1977
• [8] Beliczyński B. , Przyrostowa aproksymacja funkcji za pomocą sieci neuronowych, Prace Naukowe PW, ser. Elektryka, 112 (2000), Oficyna Wydawnicza Polit. Warszawskiej
• [9] Goutte C. , Larsen J., Adaptive regularization of neural networks using conjugate gradient, IEEE Proc. Int. Conf. Acoustics, Speech and Signal Processing, 2 (1998), 1201-1204
• [10] Burgern M., Neubauer A., Analysis of Tikhonov regularization for function approximation by neural networks, Neural Networks, 16 (2003), n.1, 79-90
• [11] Bos S. , Chung E. , Using weight decay to optimize the generalization ability of a perceptron, IEEE Int. Conf. on Neural Networks, 1 (1996), 241 - 246
• [12] Ganatsos T., Siakavara K., Sahalos J. N., Neural network-based design of EBG surfaces for effective polarization diversity of wireless communications antenna systems, PIERS Online, 3 (2007), n.8, 1165-1169
• [13] Weigend A. S., Rumelhart D. E., Huberman B. A. , Back–propagation, weight elimination and time series prediction. Proc. 1990 Connectionist Models Summer School, Morgan Kaufmann, (1990), 65–80
• [14] Singh Y. P . , Chowdhury R., Dynamic tunneling based regularization in feedforward neural networks, Artificial Intelligence, 131 (2001), n.1, 55-71
• [15] Osows k i S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Polit. Warszawskiej, 2006
• [16] Chan L., Levenberg-Marquardt Learning and Regularization, Progress in Neural Information Processing, Springer- Verlag, (1996), 139-144
• [17] Kamiński M., Orłowska-Kowalska T., Odtwarzanie zmiennych stanu układu napędowego z połączeniem sprężystym za pomocą sieci neronowych z redukcją połączeń synaptycznych, Prace Nauk. Inst. Maszyn, Napędów i Pomiarów Elektrycznych Polit. Wrocławskiej, 62 (2008), ser. Studia i Materiały, nr 28, 396-405
• [18] Bishop C. M., Training with noise is equivalent to Tikhonov regularization, Neural Computation, 7 (1995) n.1, 108-116