PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Nonlinearity Correction in Dynamic Measuring Devices Using Neural Network Models

Treść / Zawartość
Identyfikatory
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.
Rocznik
Strony
57--60
Opis fizyczny
Bibliogr. 8 poz., rys., tab., wykr.
Twórcy
  • Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000
  • Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000
  • 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.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-f8aa007e-9ff9-4c1d-9607-430a7abe0c28
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.