Похибки прогнозування значення температури нейронними мережами за ідеальним перехідним процесом

Simple item page
dc.citation.epage24
dc.citation.journalTitleВимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник
dc.citation.spage20
dc.citation.volume78
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.authorЛопатко, Ольга
dc.contributor.authorМикитин, Ігор
dc.contributor.authorLopatko, Olha
dc.contributor.authorMykytyn, Ihor
dc.coverage.placenameЛьвів
dc.date.accessioned2018-11-14T08:53:49Z
dc.date.available2018-11-14T08:53:49Z
dc.date.created2017-03-28
dc.date.issued2017-03-28
dc.description.abstractОписано результати дослідження похибок прогнозування значення температури із використанням нейронних мереж, алгоритм створення та навчання нейронних мереж. Наведено результати дослідження залежності похибки прогнозування значення температури від кількості шарів у мережі, від кількості входів мережі та від кількості послідовностей для навчання. Дослідження залежності похибки прогнозування температури від кількості входів мережі виконано для двох випадків: за однакового часу вимірювання тем- ператури перехідного процесу і за різного. Крім того, нейронну мережу перевірено на тестових послідов- ностях, які збігались та не збігались з тестовими послідовностями, на яких нейронна мережа вчилась.
dc.description.abstractThe present article describes the results of the study of the prediction error of temperature values using neural networks. In the introduction, the authors point out problems that arise (come up) during the measurement of high temperatures. The method proposed to solve these problems is neural networks application. At the very beginning the authors present a neural networks classification based on their architecture (feedforward neural networks, recurrent neural networks and completely linked neural networks were specially highlighted). Also mentioned previous researches where were made conclusions about the most relevant neural network architecture in case of temperature prediction problem using transition process. The studies described in the article are implemented in the MATLAB computing environment. An algorithm for creating and teaching neural networks was described. Sequences modeling for the neural network training, the functions using for neural network creation and studding, the formula for calculating the absolute error of temperature prediction were given. During the sequences creation, the measurement error was not taken into account, that is, the network studied on ideal sequences. The results of the study of dependence of the temperature value prediction error on the number of layers in the network, on the number of network inputs and on the number of sequences for training are presented. Investigation of the dependence of the temperature prediction error on the number of network inputs was carried out for two cases: when the time of transition process temperature measurement is the same and when the measurement time is different. In addition, the neural network was tested on sequences that coincided and did not coincide with the sequences on which the neural network studied. Each research was provided with drawings. At the end of the article the authors make conclusions about the most relevant neural network parameters (number of layers, number of inputs and the number of sequences for training neural network). Maximum temperature prediction error value was mentioned. Plans for further research were also outlined.
dc.description.abstractОписаны результаты исследования погрешностей прогнозирования значения температуры с использованием нейронных сетей, алгоритм создания и обучения нейронных сетей. Приведены результаты исследования зависимости погрешности прогнозирования значения температуры от количества слоев в сети, от количества входов сети и от количества последовательностей для обучения. Исследование зависимости погрешности прогнозирования температуры от количества входов сети проводилось для двух случаев: когда время измерения температуры переходного процесса одинаковое и когда время измерения разное. Кроме того нейронная сеть проверялась на тестовых последовательностях, которые совпадали и не совпадали с тестовыми последовательностями, на которых нейронная сеть училась.
dc.format.extent20-24
dc.format.pages5
dc.identifier.citationЛопатко О. Похибки прогнозування значення температури нейронними мережами за ідеальним перехідним процесом / Ольга Лопатко, Ігор Микитин // Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник. — Львів : Видавництво Львівської політехніки, 2017. — Том 78. — С. 20–24.
dc.identifier.citationenLopatko O. Temperature value prediction errors using neural networks and ideal transition process / Olha Lopatko, Ihor Mykytyn // Vymiriuvalna tekhnika ta metrolohiia : mizhvidomchyi naukovo-tekhnichnyi zbirnyk. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — Vol 78. — P. 20–24.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/42986
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.relation.ispartofВимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник (78), 2017
dc.relation.references1. Alexander von Beckerath, Anselm Eberlein, Hermann Julien, Peter Kersten, Jochem Kreutzer, WIKA Handbook Pressure & Temperature Measurement. – Cumming: Corporate Printers, 2008. – 423 p.
dc.relation.references2. Yatsyshyn S. Research in Nanothermometry. Part 2. Methodical Error Problem of Contact Thermometry. S. Yatsyshyn, B. Stadnyk, O. Kozak. Sensors & Transducers, Spane. – 2012. – Vol.140. – Issue 5. – pp. 8–14.
dc.relation.references3. Ковальчук Н. Г., Полищук Е. С., Пытель И. Д., Семенистый К. С. Современные методы и средства определения динамических характеристик преобразо- вателей. Обзорная информация ТС-6, НИИТЭИ при- боростроения. – 1983. – Вып. 1. – 46 с.
dc.relation.references4. Ярышев Н. А. Теоретические основы измерения нестационарной температуры. – 2-е изд., перераб. – Л.: Энергоатом- издат, 1990. – 256 с.
dc.relation.references5. Наконечний М., Гірняк Ю., Івахів О., Репетилo Т. Проектування нейроконтролерів для керування нелінійними об’єктами другого порядку // Вимірювальна техніка та метрологія. – 2014. –№ 75. – С. 102–106.
dc.relation.references6. Kriesel D. A Brief Introduction to Neural Networks, 2007, http://www.dkriesel.com/en/ science/neural_networks.
dc.relation.references7. Rajesh Bordawekar, Bob Blainey, Ruchir Puri, Analyzing Analytics. – Morgan & Claypool Publishers, 2015. – 124 p.
dc.relation.references8. Лопатко О. О., Микитин І. П. Нейронні мережі як засіб прогнозування значення температури за перехідним процесом // Вимірювальна техніка та метрологія. – 2016. – №77. – С. 65–69.
dc.relation.referencesen1. Alexander von Beckerath, Anselm Eberlein, Hermann Julien, Peter Kersten, Jochem Kreutzer, WIKA Handbook Pressure & Temperature Measurement, Cumming: Corporate Printers, 2008, 423 p.
dc.relation.referencesen2. Yatsyshyn S. Research in Nanothermometry. Part 2. Methodical Error Problem of Contact Thermometry. S. Yatsyshyn, B. Stadnyk, O. Kozak. Sensors & Transducers, Spane, 2012, Vol.140, Issue 5, pp. 8–14.
dc.relation.referencesen3. Kovalchuk N. H., Polishchuk E. S., Pytel I. D., Semenistyi K. S. Sovremennye metody i sredstva opredeleniia dinamicheskikh kharakteristik preobrazo- vatelei. Obzornaia informatsiia TS-6, NIITEI pri- borostroeniia, 1983, Iss. 1, 46 p.
dc.relation.referencesen4. Iaryshev N. A. Teoreticheskie osnovy izmereniia nestatsionarnoi temperatury, 2-e izd., pererab, L., Enerhoatom- izdat, 1990, 256 p.
dc.relation.referencesen5. Nakonechnyi M., Hirniak Yu., Ivakhiv O., Repetylo T. Proektuvannia neirokontroleriv dlia keruvannia neliniinymy obiektamy druhoho poriadku, Vymiriuvalna tekhnika ta metrolohiia, 2014. –No 75, P. 102–106.
dc.relation.referencesen6. Kriesel D. A Brief Introduction to Neural Networks, 2007, http://www.dkriesel.com/en/ science/neural_networks.
dc.relation.referencesen7. Rajesh Bordawekar, Bob Blainey, Ruchir Puri, Analyzing Analytics, Morgan & Claypool Publishers, 2015, 124 p.
dc.relation.referencesen8. Lopatko O. O., Mykytyn I. P. Neironni merezhi yak zasib prohnozuvannia znachennia temperatury za perekhidnym protsesom, Vymiriuvalna tekhnika ta metrolohiia, 2016, No 77, P. 65–69.
dc.relation.urihttp://www.dkriesel.com/en/
dc.rights.holder© Національний університет „Львівська політехніка“, 2017
dc.rights.holder© Лопатко Ольга, Микитин Ігор, 2017
dc.subjectнейронна мережа
dc.subjectпрогнозування значення температури
dc.subjectтемпературний перехідний процес
dc.subjectneural network
dc.subjecttemperature prediction
dc.subjecttemperature transition process
dc.subjectнейронная сеть
dc.subjectпрогнозирование значения температуры
dc.subjectтемпературный переходный процесс
dc.subject.udc536.531(532)
dc.titleПохибки прогнозування значення температури нейронними мережами за ідеальним перехідним процесом
dc.title.alternativeTemperature value prediction errors using neural networks and ideal transition process
dc.typeArticle

Files

Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
2017v78_Lopatko_O-Temperature_value_prediction_20-24.pdf
Size:
630.48 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2017v78_Lopatko_O-Temperature_value_prediction_20-24__COVER.png
Size:
518.85 KB
Format:
Portable Network Graphics
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.01 KB
Format:
Plain Text
Description:
Download

Collections

Вимірювальна техніка та метрологія. – 2017. – Випуск 78