Nonlinearity Correction in Dynamic Measuring Devices Using Neural Network Models

• Autorzy: Al Rawashdeh Laith Ahmed Mustafa , Zakharov Igor Petrovitch , Zaporozhets Oleg Vasyliovych

Identyfikatory

DOI

10.14313/PAR_238/57

Warianty tytułu

PL

Korekcja nieliniowości za pomocą modeli sieci neuronowych w zastosowaniu do dynamicznych urządzeń pomiarowych

• Języki publikacji: EN

Abstrakty

EN

A neural network compensator for the nonlinearity of a dynamic measuring instrument is proposed, which allows restoring the value of the measured input signal. The inverse model of a nonlinear dynamic measuring device is implemented based on a three-layer perceptron supplemented by delay lines of input signals. The properties of the proposed neural network compensator are studied through simulation computer modelling using various types of calibration input signals for the training of an artificial neural network.

PL

Zaproponowano kompensator sieci neuronowej dla nieliniowości dynamicznego przyrządu pomiarowego, który umożliwia odtworzenie wartości mierzonego sygnału wejściowego. Odwrotny model nieliniowego dynamicznego urządzenia pomiarowego realizowany jest w oparciu o trójwarstwowy perceptron uzupełniony o linie opóźniające sygnałów wejściowych. Właściwości proponowanego kompensatora sieci neuronowej są badane poprzez symulacyjne modelowanie komputerowe z wykorzystaniem różnego rodzaju sygnałów wejściowych kalibracji do uczenia sztucznej sieci neuronowej.

Słowa kluczowe

EN

artificial neural network; three-layer perceptron; training; inverse model; neural network compensator

PL

sztuczna sieć neuronowa; trójwarstwowy perceptron; uczenie; model odwrotny; kompensator sieci neuronowej

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2020
• Tom: R. 24, nr 4
• Strony: 57--60
• Opis fizyczny: Bibliogr. 8 poz., rys., tab., wykr.

Twórcy

autor

Al Rawashdeh Laith Ahmed Mustafa

• Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000

autor

Zakharov Igor Petrovitch

• Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000

autor

Zaporozhets Oleg Vasyliovych

• Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000

Bibliografia

• 1. Wasserman P.D., Neural Computing: Theory and Practice, N.Y., Van Nostrand Reinhold, 1989.
• 2. Haykin S., Neural Networks. A Comprehensive Foundation, New Jersey, Prentice Hall, 2006.
• 3. Rojas R., Neural Networks: A Systematic Introduction, Springer-Verlag, Berlin 1996.
• 4. Haykin S., Neural Networks and Learning Machines (3rd Edition), Prentice Hall, 2010.
• 5. Zaporozhets O.V., Korotenko V.A., Ovcharova T.A., The compensationof the nonlinearity of the measuring devices with artificial neural network, “Systemy upravlinnya, navihatsiyi ta zv’yazku”, Vol. 4 (16), 2010, 99-103, (in Russian).
• 6. Degtyarov A.V., Zaporozhets O.V., Ovcharova T.A., Adaptive system for the measuring device nonlinearity compensation based on three-layer perceptron, “Elektrotekhnicheskiye i komp’yuternyye sistemy”, Vol. 06(82), 2012, 235-241 (in Russian)
• 7. Degtyarov A.V., Zaporozhets O.V., Ovcharova T.A., Identification of nonlinear dynamic measuring devices with artificial neural network, “Metrolohiya ta prylady”, Vol. 2(41), 2013, 85-89 (in Russian)
• 8. Nelles O., Nonlinear System Identification: from Classical Approaches to Neural Networks and Fuzzy Models, Springer, Berlin 2013.