PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 15

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  atomic clock
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Efficient frequency jumps detection algorithm for atomic clock comparisons
Marszalec Michał, Lusawa Marzenna, Osuch Tomasz
Metrology and Measurement Systems
|
2021
|
Vol. 28, nr 1
107--121
EN
In this paper a new method of frequency jumps detection in data from atomic clock comparisons is proposed. The presented approach is based on histogram analysis for different time intervals averaging phasetime data recorded over a certain period of time. Our method allows identification of multiple frequency jumps for long data series as well to almost real-time jump detection in combination with advanced filtering. Several methods of preliminary data processing have been tested (simple averaging, moving average and Vondrak filtration), to achieve flexibility in adjusting the algorithm parameters for current needs which is the key to its use in determining ensemble time scale or to control systems of physical time scales, such as UTC(PL). The best results have been achieved with the Vondrak filter.
2
Content available remote Comparison of linear regression method and GMDH neural network in predicting the UTC(PL) national timescale
Sobolewski Ł.
Przegląd Elektrotechniczny
|
2018
|
R. 94, nr 11
1--5
EN
The paper presents research results on predicting the Polish Timescale UTC(PL) by the means of GMDH-type neural network and linear regression method for data prepared in the form of time series built on the basis of [UTC - UTC(PL)] and [UTCr - UTC(PL)] deviations and values of a phase time from UTC(PL). The obtained results show comparable prediction quality by means of GMDH-type neural network with prepared procedure of predicting and linear regression method modified by the author for timescale characterized with high stability.
PL
W pracy przedstawiono wyniki badań nad prognozowaniem Polskiej Skali Czasu UTC(PL) przy zastosowaniu sieci neuronowej typu GMDH oraz metody regresji liniowej dla danych przygotowanych w formie szeregu czasowego, zbudowanego z wartości odchyleń [UTC - UTC(PL)] oraz [UTCr - UTC(PL)] oraz wartości czasu fazowego z UTC(PL). Wyniki badań pokazały porównywalną jakość prognozowania z zastosowaniem sieci neuronowej typu GMDH i opracowanej procedury prognozowania oraz zmodyfikowanej przez autora metody regresji liniowej w przypadku skali czasu charakteryzującej się dużą stabilnością.
3
Content available Predicting the Lithuanian Timescale UTC(LT) by means of GMDH neural network
Sobolewski Ł.
Biuletyn Wojskowej Akademii Technicznej
|
2017
|
Vol. 66, nr 4
31--41
EN
The aim of the study is to examine the effectiveness of applying GMDH-type neural network and the developed procedure for predicting UTC(k) timescales, which are characterized with high dynamics of changes of the input data. The research is carried out on the example of the Lithuanian Timescale UTC(LT). The obtained research results have shown that GMDH-type neural network with a developed predicting procedure enables us to receive good prediction results for the UTC(LT). Better prediction quality was obtained using time series which are built only on the basis of deviations determined by the BIPM according to the UTC and UTC Rapid scales.
PL
Celem przeprowadzonych badań było sprawdzenie skuteczności zastosowania sieci neuronowej typu GMDH i opracowanej procedury do prognozowania skal czasu UTC(k), charakteryzujących się dużą dynamiką zmian danych wejściowych. Badania przeprowadzono na przykładzie Litewskiej Skali Czasu UTC(LT). Otrzymane wyniki badań pokazały, że sieci neuronowe typu GMDH z opracowaną procedurą prognozowania umożliwiają osiągnięcie dobrych wyników prognoz dla UTC(LT). Lepszą jakość prognozowania odchyleń [UTC – UTC(LT)] uzyskano przy zastosowaniu szeregu czasowego, który zbudowany jest wyłącznie na podstawie odchyleń wyznaczonych przez BIPM w oparciu o skalę UTC i UTC Rapid.
4
Content available remote Application of neural networks for predicting selected time scales on the basis of UTC and UTCr scales
Sobolewski Ł., Miczulski W.
Przegląd Elektrotechniczny
|
2016
|
R. 92, nr 10
258--261
EN
The paper presents research results on predicting the [UTC - UTC(k)] deviations by the means of GMDH-type neural network and data prepared in the form of time series built on the basis of [UTC - UTC(k)] and [UTCr - UTC(k)] deviations for the Austrian Timescale UTC(BEV) and the Lithuanian Timescale UTC(LT). The obtained results confirmed the possibility of applying the UTC Rapid scale for predicting the [UTC - UTC(k)] deviations by the means of GMDH-type neural network.
PL
W pracy przedstawiono wyniki badań nad prognozowaniem odchyleń [UTC - UTC(k)] przy użyciu sieci neuronowej typy GMDH i danych przygotowanych w formie szeregu czasowego, zbudowanego na podstawie wartości odchyleń [UTC - UTC(k)] oraz [UTCr - UTC(k)], dla Austriackiej Skali Czasu UTC(BEV) oraz Litewskiej Skali Czasu UTC(LT). Otrzymane wyniki badań potwierdziły możliwość zastosowania skali UTC Rapid do prognozowania odchyleń [UTC - UTC(k)] w oparciu o sieci neuronowe typu GMDH.
5
Content available Porównanie przydatności sieci neuronowych typu GRNN i RBF do prognozowania poprawek dla krajowej skali czasu UTC(PL)
Sobolewski Ł.
Pomiary Automatyka Kontrola
|
2014
|
R. 60, nr 11
972--974
PL
W pracy przedstawiono wyniki badań sieci neuronowych typu GRNN zastosowanych do prognozowania poprawek dla krajowej skali czasu UTC(PL). Wyniki te porównano z wynikami otrzymanymi przy użyciu sieci neuronowej typu RBF, a także z wynikami otrzymanymi w GUM z zastosowaniem metody regresji liniowej. Prognozowanie poprawek prowadzono w oparciu o metodę regresji dla danych wejściowych powstałych na bazie dwóch szeregów czasowych sc1 (bez eliminacji trendu opisanego równaniem regresji liniowej) oraz sc2 (z eliminacją tego trendu). Prognozy zostały wykonane na 15 dzień dla 5 kolejnych miesięcy 2008 począwszy od stycznia (MJD 54479) do maja (MJD 54599) Z przeprowadzonych badań wynika, że otrzymane wartości błędu prognozy dla sieci neuronowej typu GRNN są zdecydowanie gorsze od błędów prognozy otrzymanych przy użyciu sieci neuronowej typu RBF.
EN
The paper discusses the results of comparison of the usefulness of GRNN and RBF neural networks for predicting the corrections for the national time scale UTC(PL). The first chapter describes the national time scale UTC(PL), and also presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. The second chapter describes the basic idea and principle of operation of the GRNN neural networks. The third chapter shows how the input data for the neural networks was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC two time series (ts1 and ts2) were prepared, which were the basis for determining the input data for the neural networks. The fourth chapter describes the research results. The obtained research results shown that in the case of predicting the corrections for the polish time scale UTC(PL) using GRNN and RBF neural networks and the input data based on time series ts1 prediction errors have reached very large values. Predicting the corrections for the UTC(PL) based on time series ts2 was carried out in two ways. The first method assumed using the input data prepared on the basis of time series ts2 with values of two coefficients a0 and a1, which are the coefficients of linear regression equation. In the second case only coefficient a1 was used with the input data prepared on the basis of time series ts2. The best results was obtained using RBF neural network for the input data prepared on the basis of time series ts2 with a1 coefficient. For the GRNN neural network the obtained value of maximum prediction error for both method of data preparation was larger than in the case of using RBF neural network. Obtained values of prediction errors using GRNN neural network are on the same level with prediction errors obtained in the GUM using linear analytical regression method.
6
Content available Wpływ dodatkowych danych wejściowych w sieci neuronowej na wynik prognozowania poprawki dla krajowej skali czasu UTC(PL)
Miczulski W., Sobolewski Ł.
Pomiary Automatyka Kontrola
|
2013
|
R. 59, nr 4
312--315
PL
W artykule przedstawiono wyniki badań, których celem było sprawdzenie, czy wprowadzenie na wejście sieci neuronowej (SN) typu MLP i GMDH dodatkowych danych wejściowych, charakteryzujących pracę zegarów atomowych, wpłynie korzystnie na wynik prognozowania poprawki dla UTC(PL). Otrzymane wyniki wskazują, że kluczowym aspektem jest dobór SN. Dla SN typu GMDH wpływ dodatkowych danych jest niewielki. SN tego typu osiąga lepsze wyniki w prognozowaniu poprawki dla UTC(PL), niż sieć typu MLP.
EN
The paper presents the results of investigations whose aim was to examine whether the insertion of additional input data for MLP and GMDH neural networks would increase compliance of the UTC(PL) with UTC. The primary input vector in the training process of the network included historical data of measurements of the phase time between the UTC and atomic clock (Cs2). Additional input vectors were made in two ways. The first way results from the rules of determining the UTC time scale, which is computed as a weighted average based on continuous comparisons of more than 300 atomic clocks located in laboratories of many countries around the world. Hence, the input data containing the historical data, characterizing the behavior of two additional atomic clocks whose results are available in the Central Office of Measures (GUM), was added to the study. These clocks are to "imitate" the gait of atomic clocks used to calculate the UTC time scale. The second way is related to the results of previous studies, which indicate that the quality of predicting the corrections for the UTC(PL) depends on the atomic clock gait instability. The measure of this instability is the Allan deviation. That is why, an additional input data containing the Allan deviation gait characterizing the atomic clock Cs2 gait instability was added to the study. Selection of a neural network has very large impact on the results. In the case of the MLP neural network the insertion of additional input data resulted in a smaller value of the prediction error, and in the case of the GMDH networks insertion of an additional input data affected the final prediction result to a small extent.
7
Content available Porównanie metod prognozowania zastosowanych w sieci neuronowej GMDH przeznaczonej do wyznaczania prognozy poprawek dla krajowej skali czasu UTC(PL)
Sobolewski Ł.
Pomiary Automatyka Kontrola
|
2013
|
R. 59, nr 1
23--25
PL
W pracy zostały porównane metody prognozowania poprawek dla krajowej skali czasu UTC(PL). Badania dotyczące prognozowania poprawek prowadzono w oparciu o sieci neuronowe GMDH dwoma metodami, metodą analizy szeregów czasowych i metodą regresji. Prognozowanie poprawek zostało wykonane na 15 dzień miesiąca dla 20 kolejnych miesięcy. Otrzymane wyniki prognoz przy użyciu sieci neuronowej GMDH zestawione z wynikami prognoz otrzymanymi przez Główny Urząd Miar z zastosowaniem metody regresji liniowej pokazują, że lepszą metodą prognozowania poprawek dla krajowej skali czasu okazała się metoda analizy szeregów czasowych.
EN
The paper discusses the results of predicting the corrections for the national time scale UTC(PL), using GMDH neural networks. The aim of the research was to examine the influence of the GMDH neural network prediction methods on the prediction result. The first section describes the national time scale UTC(PL) and presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. It also presents the method of predicting the corrections used in the Central Office of Measures (GUM), and a new method for predicting the corrections for the UTC(PL) based on GMDH neural network. The second section shows how the input data for the GMDH neural network was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC, two time series (sc1 and sc2) which were the basis for determining the input to GMDH neural network were prepared. The third section describes the predicting methods used in the GMDH neural network and a training data for both methods. The fourth section focuses on the method of predicting the corrections using GMDH neural networks, and contains the research results. The research on predicting the corrections were carried out using two methods, the time series analysis and the regression method. Prediction of the corrections was made on the 15th day of month for 20 consecutive months. The prediction results using the GMDH neural network were compared with the results received by the GUM with use of the linear regression method. The research show that the GMDH neural networks can be used to predict the corrections for the national time scale UTC(PL). A better method of predicting the corrections for the national time scale proved to be the method of time series analysis. The results were better than the prediction results obtained in the GUM for both time series sc1 and sc2. In the case of using the regression method only for times series sc1, the obtained results were better than those obtained in the GUM.
8
Predicting corrections for the UTC(PL) based on the UTC Rapid scale
Miczulski W., Sobolewski L.
Elektronika : konstrukcje, technologie, zastosowania
|
2013
|
Vol. 54, nr 6
22-24
PL
Międzynarodowe Biuro Wag i Miar (BIPM) jest organizacją zajmującą się m.in. wyznaczaniem Uniwersalnego Czasu Skoordynowanego UTC (ang. Universal Coordinated Time). Za fizyczną realizację poszczególnych krajowych skal czasu UTC(k) odpowiedzialne są narodowe laboratoria czasu. Polska skala czasu UTC(PL) jest realizowana w Głównym Urzędzie Miar (GUM) przy użyciu komercyjnego cezowego zegara atomowego typu HP 5071 A oraz urządzenia (Microstepper Austron 2055), dzięki któremu możliwe jest wprowadzanie poprawek do systemu, aby zapewnić jak największą zgodność UTC(PL) z UTC. W każdym miesiącu BIPM publikuje poprawki dla poszczególnych krajowych skal czasu UTC(k). Poprawki te są publikowane około 10 dnia następnego miesiąca. Narodowe laboratoria czasu prognozują wartości poprawek, aby zapewnić jak największą zgodność UTC(k) z UTC. Obecnie w BIPM realizowany jest projekt „UTC Rapid”. Głównym założeniem projektu jest częstsze publikowanie poprawek UTC(k) względem UTCr dla krajowych skal czasu. Poprawki są prognozowane na każdy dzień i publikowane raz w tygodniu. Celem prowadzonych badań było sprawdzenie możliwości zastosowania sieci neuronowych GMDH, należących do grupy sieci samoorganizujących się, do prognozowania poprawek (UTCr-UTC(PL))p na podstawie danych UTCr-UTC(PL) otrzymanych przy realizacji projektu „UTC Rapid”. Podstawowymi danymi uczącymi dla sieci neuronowej GMDH byty wartości poprawek UTC-UTC(PL) Pozostałe dane uczące dla SN, dołączane do podstawowego zbioru danych, były realizowane na dwa sposoby. Pierwszy sposób zakładał wykorzystanie tylko wartości poprawek UTCr-UTC(PL), które sukcesywnie dołączano do podstawowego zbioru przygotowanych poprawek UTC-UTC(PL). W drugim przypadku do podstawowego zbioru danych uczących dodawane były wartości poprawek UTC-UTC(PL) za ostatni miesiąc, po opublikowaniu ich przez BIPM, oraz wartości poprawek UTCr-UTC(PL) dostępne w miesiącu wyznaczania poprawki dla UTC(PL). Otrzymane wyniki z wstępnych badań wskazują, że jest możliwe prognozowanie poprawek dla UTC(PL) na podstawie danych UTC Rapid. Zastosowanie komercyjnego narzędzia GMDH Shell w wersji 2.2 umożliwia uzyskanie bardzo zbliżonych błędów prognozy do błędów obliczonych na podstawie danych z BIPM. Mniejsze wartości błędu prognozy otrzymano dla pierwszego sposobu przygotowania danych wejściowych, dla sieci neuronowej GMDH. Wiąże się to z większą liczbą danych otrzymanych w ramach projektu „UTC Rapid”. Ponadto ważną zaletą sieci GMDH, jest automatyczne dopasowanie struktury i liczby neuronów do charakteru danych podawanych na wejście tej sieci w procesie uczenia, co znacznie skraca czas otrzymania wartości poprawki.
EN
The International Bureau of Weights and Measures (BIPM) is an organization dedicated to maintaining the Universal Coordinated Time (UTC). The physical implementation of individual national scales of UTC(k) is the responsibility of national time laboratories. The Polish timescale UTC(PL) is maintained at the Central Office of Measures (GUM) using a HP 5071 A commercial cesium atomic clock and device (Microstepper Austron 2055), which enables corrections to be made to ensure the maximum compatibility of UTC(PL) with UTC. Each month BIPM designate the corrections for the individual UTC(k). These corrections are published about the 10th day of the following month. In the meantime, national time laboratories predict the corrections to ensure maximum compliance of the UTC(k) with UTC. Currently the BIPM is working on a Rapid UTC project. The main goal of the project is to publish more frequently corrections for UTC(k) relative to UTCr for national time scales. Corrections are predicted for each day and published once a week. The aim of this study is to examine the applicability of the GMDH neural networks, which belong to the group of self-organizing networks, for prediction of the (UTCr-UTC(PL))p corrections based on UTCr-UTC(PL) data obtained in the implementation of a Rapid UTC project. The basic training data used for the GMDH neural network were the values of UTC-UTC(PL) corrections. The rest of the training data for the Neural Networks (NNs), attached to a basic set of data, were collected in two ways. The first method assumed only the use of the UTCr-UTC(PL) corrections, which subsequently were added to the prepared basic set of UTC-UTC(PL) corrections. In the second case, added to the basic training data set of corrections were the UTC-UTC(PL) corrections for the last month, after the publication of the BIPM, and the UTCr-UTC(PL) corrections available in the month of determination of the correction of the UTC(PL). The results of preliminary studies indicate that it is possible to predict the corrections for the UTC(PL) based on Rapid UTC data. The application of a commercial tool GMDH Shell version 2.2 enables prediction errors very close to the prediction errors calculated on the basis of data from the BIPM. Lower prediction error values were obtained with the first method of preparing input data for the GMDH neural network. This is due to a greater number of data received from the Rapid UTC project. An important advantage of the GMDH neural networks is the automatic adjustment of the structure and number of neurons to the nature of the data supplied at its input in the training process, which enables the implementation of the results of the predicted corrections in a short time.
9
Content available Prediction of corrections for the Polish time scale UTC(PL) using artificial neural networks
Luzar M., Sobolewski Ł., Miczulski W., Korbicz J.
Bulletin of the Polish Academy of Sciences. Technical Sciences
|
2013
|
Vol. 61, nr 3
589--594
EN
In this paper, the effectiveness of using Artificial Neural Networks (ANNs) for predicting the corrections of the Polish time scale UTC(PL) (Universal Coordinated Time) is presented. In particular, prediction results for the different types of neural networks, i.e., the MLP (MultiLayer Perceprton), the RBF (Radial Basis Function) and the GMDH (Group Method of Data Handling) are shown. The main advantages and disadvantages of using such types of neural networks are discussed. The prediction of corrections is performed using two methods: the time series analysis method and the regression method. The input data were prepared suitable for the above mentioned methods, based on two time series, ts1 and ts2. The designation of prediction errors for specified days and the influence of data quantity for the prediction error are considered. The paper consists of five sections. After Introduction, in Sec. 2, the theoretical background for different types of neural networks is presented. Section 3 shows data preparation for the appropriate type of neural network. The experimental results are presented in Sec. 4. Finally, Sec. 5 concludes the paper.
10
Content available Wpływ doboru parametrów sieci neuronowej GMDH na wyniki prognozy poprawek dla krajowej skali czasu UTC(PL)
Sobolewski Ł.
Pomiary Automatyka Kontrola
|
2012
|
R. 58, nr 10
869-871
PL
W pracy omówiono wyniki badań dotyczących prognozowania poprawek dla krajowej skali czasu UTC(PL), z wykorzystaniem sztucznych sieci neuronowych GMDH. Przedstawiono wyniki badań, których celem było sprawdzenie, jak dobór funkcji przejścia neuronu sieci GMDH oraz stosunku danych uczących do danych testujących wpływają na wynik prognozy. Opisano wyniki prognozowania poprawek otrzymane na podstawie przeprowadzonych badań, uzyskane na 15 dzień dla 28 kolejnych miesięcy, począwszy od stycznia 2008 roku (MJD 54479) do kwietnia 2010 roku (MJD 55299).
EN
The paper discusses the results of predicting the corrections for the national time scale UTC(PL), using GMDH neural networks. The aim of the research was to examine the influence of the GMDH neural network parameters, ie. the transfer function of the neuron and the ratio of training to test data on the prediction result. The first section describes the national time scale UTC(PL), and presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. It also presents the method for predicting the corrections used in the GUM as well as a new method for predicting the corrections for the UTC(PL) based on GMDH neural network. The second section shows how the input data for the GMDH neural network was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC, two time series (sc1 and sc2) were prepared. They were the basis for determining the input to the GMDH neural network. The third section describes the basic idea and principle of operation of GMDH neural networks, which belong to the group of self-organizing networks. In the fourth section there is presented the method for predicting the corrections using GMDH neural networks and there are given the research results. There were carried out investigations whose aim was to examine the influence of the transfer function of the neuron and the ratio of training to test data on the prediction result. Based on those investigations the prediction of the corrections on the 15th day of 28 consecutive months was performed. The research show that the GMDH neural networks can be used for predicting the corrections for the national time scale UTC(PL). The obtained prediction errors are significantly smaller than those obtained from the analytical linear regression method used in the GUM. It is shown that a significant influence on obtaining small prediction errors has a proper selection of the GMDH neural network parameters.
11
Content available Influence of the GMDH neural network data preparation method on UTC(PL) correction prediction results
Miczulski W., Sobolewski Ł.
Metrology and Measurement Systems
|
2012
|
Vol. 19, nr 1
123-132
EN
The article presents results of the influence of the GMDH (Group Method of Data Handling) neural network input data preparation method on the results of predicting corrections for the Polish timescale UTC(PL). Prediction of corrections was carried out using two methods, time series analysis and regression. As appropriate to these methods, the input data was prepared based on two time series, ts1 and ts2. The implemented research concerned the designation of the prediction errors on certain days of the forecast and the influence of the quantity of data on the prediction error. The obtained results indicate that in the case of the GMDH neural network the best quality of forecasting for UTC(PL) can be obtained using the time-series analysis method. The prediction errors obtained did not exceed the value of š 8 ns, which confirms the possibility of maintaining the Polish timescale at a high level of compliance with the UTC.
12
Application of the GMDH neural networks in prediction of corrections of the national time scale
Miczulski W., Sobolewski Ł.
Elektronika : konstrukcje, technologie, zastosowania
|
2011
|
Vol. 52, nr 6
45-47
EN
In collaboration with the COM, the Institute of Electrical Metrology of the University of Zielona Góra examines the application of neural networks in prediction of corrections for the UTC(PL). The paper presents the findings of the research on application of the GMDH networks for such corrections. In order to implement the learning process of the GMDH networks, two groups of input data sets in the form of time series were prepared. The time series of the first group (sc1) include the results of setting the phase time (tf) which characterizes the daily instability of an atomic clock towards the UTC. The time series of the second group (sc2) include the values of deviations of the phase time (tf) from the long-term trend in its changes described with a linear regression equation. Thus obtained time series were the basis for predicting the values of the corrections for the UTC(PL). The findings allow the statement that the GMDH neural networks are able to achieve the prediction errors, which does not exceed the required value of š10ns. Moreover, they are the networks which, contrary to the MLP and RBF networks, adjust automatically the structure and numbers of the neurons to the nature of the data supplied at the input of the learning process.
PL
W Instytucie Metrologii Elektrycznej Uniwersytetu Zielonogórskiego prowadzone są przy współpracy z GUM prace nad zastosowaniem sieci neuronowych do prognozowania poprawek dla UTC (PL). W pracy przedstawiono wyniki badań związanych z zastosowaniem sieci GMDH do prognozowania tych poprawek. W celu przeprowadzenia procesu uczenia sieci GMDH przygotowano dwie grupy zbiorów danych wejściowych stanowiących szeregi czasowe. W pierwszej grupie szeregi czasowe (sc1) zawierają wyniki wyznaczenia czasu fazowego tf charakteryzującego niestabilność zegara atomowego na każdy dzień w odniesieniu do UTC. W drugiej grupie szeregi czasowe (sc2) zawierają wartości odchyleń czasu fazowego tf od długoterminowego trendu jego zmian opisanego równaniem regresji liniowej. Tak otrzymane szeregi czasowe były podstawą prowadzenia prognozowania wartości poprawek dla UTC (PL). Otrzymane wyniki badań pozwalają stwierdzić, że sieci neuronowe GMDH umożliwiają osiągnięcie błędów prognoz nie przekraczających wymaganej wartości š10ns Ponadto są sieciami, w przeciwieństwie do sieci MLP i RBF, które automatycznie dopasowują strukturę i liczby neuronów do charakteru danych podawanych na jej wejście w procesie uczenia.
13
Content available Wpływ typu sieci neuronowej i sposobu przygotowania danych na wynik prognozowania poprawek UTC - UTC(PL)
Miczulski W., Cepowski M.
Pomiary Automatyka Kontrola
|
2010
|
R. 56, nr 11
1330-1332
PL
W pracy omówiono wyniki badań wpływu typu sieci (MLP, RBF), sposobu przygotowania i rozmiaru wektora danych wejściowych na wynik prognozowania poprawek UTC-UTC(PL) dla atomowego wzorca czasu i częstotliwości. Najkorzystniejsze wyniki prognozowania poprawek osiągnięto dla sieci neuronowych typu RBF, w których dane wejściowe stanowiły wektory zawierające wartości odchyleń od trendu. Otrzymane błędy prognoz nie przekraczają wartości š4ns, co pozwoliło osiągnąć w porównaniu z dotychczasowym sposobem prognozowania opartym na metodzie regresji (prowadzonym w GUM) ponad dwukrotnie lepsze wyniki prognoz.
EN
In the paper there are presented the results of investigations on the influence of type of a neural network (MLP, RBF), the way of preparation and size of the input vector on prediction of the UTC-UTC(PL) corrections for the atomic clock realising the national atomic time scale UTC(PL) at the Central Office of Measures (COM). UTC(PL) is the basis for reproducing the time and frequency units and determining the official time in Poland. At the first stage of research, the time series characterising the time instability of the atomic clock in relation to UTC was a basis for proper preparation of the groups of input data for the assumed types of neural networks (Fig. 1). For the process of learning the neural networks as well as further prediction, the input data was assumed to be formed into 30 or 60 element vectors (Fig. 2). At the second stage, the input data were formed into the vectors containing 30 consecutive values of the deviation of the time series from the trend and, additionally, the linear regression coefficients (Fig. 1). The best results of predicting the corrections were achieved for the RBF neural networks in which the input data were vectors of 30 consecutive values of the deviation from the trend and the directional coefficient of linear regression. The obtained errors of the prediction did not exceed the values of š4ns (Tab. 2), which enabled achieving more than two times better results of the prediction compared with the present way of prediction based on the regression method (used in COM).
14
Content available remote Designing Zeeman slower for strontium atoms – towards optical atomic clock
Bober M., Zachorowski J., Gawlik W.
Optica Applicata
|
2010
|
Vol. 40, nr 3
547--555
EN
We report on design and construction of a Zeeman slower for strontium atoms, which will be used in an optical atomic clock experiment. The paper describes briefly required specifications of the device, possible solutions, and concentrates on the chosen design. The magnetic field produced by the built Zeeman slower has been measured and compared with the simulations. The system consisting of an oven and Zeeman slower is designed to produce an atomic beam of 10–12 s–1 flux and final velocity of ~30 m/s.
15
Content available remote The application of laser-microwave resonance in trapped rare-earth ions to magnetometry
Stachowska E., Szawioła G., Buczek A., Koczorowski W., Furmann B., Stefańska D., Walaszyk A., Dembczyński J.
Metrology and Measurement Systems
|
2006
|
Vol. 13, nr 2
207-217
EN
The paper describes an application in magnetometry of an experimental set-up for measurement of hyperfine splittings, constructed in the Chair of Quantum Engineering and Metrology, Poznań University of Technology. A method of determination of magnetic flux density on the basis of the measurement of Zeeman splittings of the hyperfine sublevels of atomic (or ionic) electronic levels is discussed. The experimental setup based on a hyperboloidal Paul trap is presented. A review of the current progress of the work and the results hitherto obtained is given.
PL
Praca przedstawia postęp prac w zastosowaniu w magnetometrii stanowiska doświadczalnego do pomiaru rozszczepień nadsubtelnych, zbudowanego w Katedrze Inżynierii i Metrologii Kwantowej Politechniki Poznańskiej. Do detekcji pola magnetycznego wykorzystano uwięzione w pułapce Paula jony izotopu europu ¹51;Eu&sup+;. Wartość pola magnetycznego wyznaczano w prezentowanej metodzie w oparciu o przejścia rezonansowe M1 między stanami zeemanowskimi podpoziomów nadsubtelnych F = 13/2 i F = 11/2 podstawowego poziomu 4f&sup7;(&sup8;S7/2)6s &sup9;S4 stosowanego pierwiastka. O dostrojeniu do rezonansu świadczyła zmiana natężenia fluorescencji indukowanej światłem laserowym o długości fali 420,5 nm. Wykorzystanie tego przejścia jest istotnym novum metody, pozwalającym na wykorzystanie konwencjonalnego barwnikowego lasera, bez konieczności generacji drugiej harmonicznej. Ponadto zaangażowanie w pomiarach stanów o relatywnie dużej liczbie kwantowej F, co było możliwe w przypadku europu, pozwoliło wyznaczyć wartość indukcji magnetycznej z wykorzystaniern aż dwunastu precyzyjnie zmierzonych wartości częstości rezonansowych. Poprawia to wiarygodność uzyskanych wyników i stanowi o zalecie stosowanej metody. W pomiarach odnoszono się do wzorca częstości (model STFS/GPS, Instytutu Elektroniki i Telekomunikacji PP) z podwójnie termostatowanym oscylatorem kwarcowym, stabilizowanym sygnałem GPS. W analizie statystycznej bezpośrednich wyników pomiaru i ich interpretacji wykorzystano iteracyjną metodę diagonalizacji macierzy hamiltonianu umożliwiającą uwzględnienie dominujących efektów II rzędu rachunku zaburzeń - przyczynków zależnych od kwadratu i wyższych potęg wartości indukcji magnetycznej. Krótko dyskutowana jest metoda eliminacji potencjalnych systematycznych błędów pomiaru i interpretacji otrzymanych wyników. Ostatecznie zaprezentowano przykładowy pomiar indukcji pola magnetycznego z precyzją lepszą niż 100 nT, z możliwością istotnej poprawy po optymalizacji wzbudzania jonów i detekcji fotonów.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.