Nonlinearity Correction in Dynamic Measuring Devices Using Neural Network Models

eng Artykuł w języku angielskim DOI: 10.14313/PAR_238/57

wyślij Laith Ahmed Mustafa Rawashdeh, Igor Petrovitch Zakharov, Oleg Vasyliovych Zaporozhets Kharkiv National University of Radio Electronics, Nauky Ave, 14, Kharkiv, Kharkiv Oblast, Ukraina, 61000

Pobierz Artykuł

Abstract

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

Keywords

artificial neural network, inverse model, neural network compensator, three-layer perceptron, training

Korekcja nieliniowości za pomocą modeli sieci neuronowych w zastosowaniu do dynamicznych urządzeń pomiarowych

Streszczenie

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.

Słowa kluczowe

kompensator sieci neuronowej, model odwrotny, sztuczna sieć neuronowa, trójwarstwowy perceptron, uczenie

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.