Wyniki wyszukiwania - BazTech

1

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.

2

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.

3

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.

4

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.

5

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.