Використання штучних нейронних мереж для зменшення нелінійності вимірювальних пристроїв
DOI:
https://doi.org/10.30837/2663-9564.2025.1.07Ключові слова:
нелінійність, корекція, функція перетворення, штучна нейронна мережа, багатошаровий перцептрон, радіальна базисна нейронна мережа, навчанняАнотація
У статті розглянуто методи зменшення впливу нелінійності функції перетворення вимірювальних приладів на точність результатів вимірювань шляхом застосування додаткового пристрою корекції, що реалізує залежність, обернену до функції перетворення. Метою дослідження є вивчення можливостей використання в якості таких коректорів штучних нейронних мереж, зокрема багатошарових персептронів і мереж радіальних базисних функцій. Ефективність запропонованих методів корекції функції перетворення досліджено шляхом імітаційного комп’ютерного моделювання з вивченням впливу типу нелінійності на якість такої корекції. Здійснено порівняльний аналіз з традиційними підходами, зокрема коректором на основі поліноміальної апроксимації. Результати моделювання показують, що точність нейромережевих коректорів порівнянна з точністю поліноміальних коректорів, а в деяких випадках навіть перевершує їх. Це відкриває перспективи ширшого застосування у вимірювальній техніці таких сучасних методів обробки вимірювальної інформації, як штучні нейронні мережі.
Посилання
Granovskiy V.A., Siraya T.N. Methods of processing experimental data in measurements. L.: Energoatomizdat, 1990. 288 p. [In Russian]
Bishop C.M. Pattern Recognition and Machine Learning. Springer. 2006. 738 p.
Haykin S. Neural Networks and Learning Machines. 3 rd. ed. Pearson, 2009. 906 p.
Theory and practice of neural networks: tutorial / L.M. Dobrovska, I.A. Dobrovska. K.: NTUU 'KPI' Publishing House 'Politechnika', 2015. 396 p. [In Ukrainian]
Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. 2(5). pp. 359-366.
Zaporozhets O.V., Korotenko V.A., Ovcharova T.A. Compensation of nonlinearity of the transformation function of measurement devices using an artificial neural network. Control, Navigation and Communication Systems. Issue 4(16). 2010. pp. 99–103. [In Russian]
Degtyarev A.V., Zaporozhets O.V., Ovcharova T.A. Adaptive system for compensation of nonlinearity of the transformation function of measurement devices based on a three-layer perceptron. Electrical and Computer Systems. No. 06(82). 2012. pp. 235–241. [In Russian]
Zaporozhets O.V., Ovcharova T.A. Compensation of nonlinearity of dynamic measurement transducers using neural network models. Metrology and Instruments. Issue No. 1/II/(45). 2014. pp. 74–77. [In Russian]
Zaporozhets O.V., Ovcharova T.A., Ruzhentsev I.V. Compensation of nonlinearity of semiconductor thermoresistors using artificial neural networks. Information Processing Systems. 2015. No. 6 (131). pp. 64–67. [In Russian]
Zaporozhets O.V., Shtefan N.V. Using Artificial Neural Network for Compensation of Semiconductor Thermistor Nonlinearity. 2019 IEEE 8th International Conference on Advanced Optoelectronics and Lasers (CAOL), Sozopol, Bulgaria, 6-8 Sept. 2019. PP. 703–706.
