Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 8

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

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
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.
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.
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.
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.
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.
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.
7
Content available remote Towards robustness in neural network based fault diagnosis
EN
Challenging design problems arise regularly in modern fault diagnosis systems. Unfortunately, classical analytical techniques often cannot provide acceptable solutions to such difficult tasks. This explains why soft computing techniques such as neural networks become more and more popular in industrial applications of fault diagnosis. Taking into account the two crucial aspects, i.e., the nonlinear behaviour of the system being diagnosed as well as the robustness of a fault diagnosis scheme with respect to modelling uncertainty, two different neural network based schemes are described and carefully discussed. The final part of the paper presents an illustrative example regarding the modelling and fault diagnosis of a DC motor, which shows the performance of the proposed strategy.
8
Content available remote Detekcja uszkodzeń odporna na niepewność modelu neuronowego
PL
W pracy przedstawiony zosta) problem detekcji uszkodzeń odpornej na niepewność modelu neuronowego. Na przykładzie sieci neuronowej GMDH przedstawiono przyczyny powstawania niepewności modelu otrzymywanego podczas identyfikacji. Zaprezentowana metoda wyznaczania niepewności modelu w postaci przedziału ufności wyjścia systemu umożliwiła opracowanie odpornego układu detekcji uszkodzeń w oparciu o technikę adaptacyjnych progów decyzyjnych.
EN
In the paper the problem of the robust fault detection under the neural model uncertainty was presented and widely discussal. In particular, the causes of forming the GMDH neural model uncertainty obtained via system identification were shown. The presented method of confidence estimation of GMDH neural networks in (he form of the system output uncertainty interval enables development of the robust fault detection scheme on the basis of the adaptive threshold technique.
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.