Digital correction of nonlinear sensor dynamics by means of neural networks

• Autorzy: Rubaszewski I. , Mroczka J.

Warianty tytułu

PL

Korekcja błędów dynamicznych czujników nieliniowych z wykorzystaniem sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The paper presents a simulation study concerning signal restoration from linear and nonlinear sensors by means of artificial neural networks. The influence of time-delay in the reconstructed signal on the restoration error has been investigated. This method is compared with direct restoration and linear regularization methods. Advantages of neural networks are shown. There is a potential for implementation of the presented method in microprocessor devices.

PL

Praca przedstawia zagadnienie rekonstrukcji sygnałów pomiarowych. W przypadku czujników o właściwościach całkujących sygnał na wyjściu czujnika nie odzwierciedla bezpośrednio dynamiki sygnału stymulującego czujnik. Dla sygnałów mierzonych o dynamice porównywalnej z dynamiką czujnika niezbędna jest rekonstrukcja sygnału. Przedstawiono metodę odtwarzania polegającą na numerycznym rozwiązaniu równania całkowego Fredholma z uwzględnieniem regularyzacji jak i bez regularyzacji a także metodę opartą na wykorzystaniu Sztucznych Sieci Neuronowych. Badania przeprowadzono dla liniowego i nieliniowego modelu czujnika. Porównano, w jaki sposób szum kwantyzacji 12-bitowego przetwornika wpływa na błąd rekonstrukcji sygnału z wykorzystaniem każdej z powyższych metod. Uzyskane wyniki pozwalają stwierdzić, że wielowarstwowe sieci neuronowe nadają się do rekonstrukcji sygnału pomiarowego z uwagi na zwiększenie stosunku sygnał-szum w sygnale zrekonstruowanym i możliwość rekonstrukcji sygnału na bieżąco. Dodatkową zaletą testowanych sieci neuronowych są niewygórowane wymagania co do mocy obliczeniowej potrzebnej do zrealizowania algorytmu rekonstrukcji sygnału. Struktura sieci neuronowej może być zaimplementowana nawet w urządzeniu mikroprocesorowym zbudowanym w oparciu o 8-bitowy mikrokontroler. Jakość rekonstrukcji w oparciu o regularyzcję liniową jest nieznacznie lepsza, ale wymaga zarejestrowania całego sygnału z czujnika a następnie silnej jednostki obliczeniowej (minimum komputer PC) do przywrócenia dynamiki sygnału pobudzającego czujnik.

Słowa kluczowe

EN

signal restoration; artificial neural network

PL

rekonstrukcja sygnałów; sztuczna sieć neuronowa

• Wydawca: Komitet Metrologii i Aparatury Naukowej PAN
• Czasopismo: Metrology and Measurement Systems
• Rocznik: 2004
• Tom: Vol. 11, nr 4
• Strony: 333--343
• Opis fizyczny: Bibliogr. 16 poz., rys., wykr.

Twórcy

autor

Rubaszewski I.

• Wrocław University of Technology, Chair of Electronic and Photonic Metrology

autor

Mroczka J.

• Wrocław University of Technology, Chair of Electronic and Photonic Metrology

Bibliografia

• 1. Borzykowski J. (red); Współczesna metrologia. WNT., Warszawa 2004.
• 2. Dąbrowski A.: Przetwarzanie sygnałów przy utyciu procesorów sygnałowych. Poznań, Wydawnictwo Politechniki Poznańskiej 2000.
• 3. Jackowska-Strumiłło L.: Zastosowanie sztucznych sieci neuronowych do korekcji błędów dynamicznych wybranych czujników pomiarowych. Krajowy Kongres Metrologii, Warszawa 2001, pp. 767-770.
• 4. Materka A., Mizushina S.: Parametric Signal Restoration Using Artificial Neural Networks. IEEE Transactions on Biomedical Engineering, vol. 43, no. 4, 1996, pp. 357-372.
• 5. Miękinia A., Morawski R., Podgórski A.: Dynamic reconstruction of measurands and calibration of measuring systems. Measurement, vol. 14, 1994, pp. 63-72.
• 6. Ming X., Guanrong C,. Yan-Tao T.: Identifying Chaotic Systems Using Wiener and Hammerstein Cascade Models Mathematical and Computer Modelling, vol. 33, 2001, pp. 483-493.
• 7. Morawski R.: Unified Approach to Measurand Reconstruction. IEEE Transactions on Instrumentation and Measurement, vol. 43, no. 2, 1994, pp. 226-231.
• 8. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 1996.
• 9. Parisi R., Di Claudio E., Orlandi G., Rao. B: Fast Adaptive Digital Equalization by Recurrent Neural Networks. IEEE Transactions on Signal Processing, vol. 45, no. 11, 1997, pp. 2731-2739.
• 10. Pearson K. P., Pottman P.: Gray box identification of block oriented nonlinear models. Journal of Process Control, vol. 10, 2000, pp. 301-315.
• 11. Polak A. G.: Indirect measurements: combining parameter selection with ridge regression.. Measurements Science and Technology, 2001, no. 4, pp. 278-287.
• 12. Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P.: Numerical recipes C. Cambridge University Press, 1992.
• 13. Rubaszewski I., Mroczka J.: Nieparametryczne odtwarzanie sygnałów pomiarowych z wykorzystaniem sztucznych sieci neuronowych. Materiały konferencyjne Kongresu Metrologii KM2004, Wrocław, 2004, pp. 325-328.
• 14. Sprzęczak P., Morawski R.: Cauchy Filters versus Neural Networks when Applied for Reconstruction of Absorption Spectra. IEEE Transactions on Signal Processing, vol. 51, no. 4, 2002, pp. 815-818.
• 15. Sunghwan Ong, Cheolwoo You, Sooyong Choi, Deasik Homg: A Decision Feedback Recurrent Neural Equalizer as an Infinitive Impulse Response Filter. IEEE Transactions on Signal Processing, vol. 45, no. 11, 1997, pp. 2851-2858.
• 16. Zakharia M., Chevret P.: Neural network approach for inverting velocity dispertion; application to sediment and to sonar target characterization. Inverse Problems, vol. 16, 2000, pp. 1693-1708.