Телефон: +7 (383)-202-16-86

Статья опубликована в рамках: Научного журнала «Студенческий» № 2(88)

Рубрика журнала: Информационные технологии

Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4

Библиографическое описание:
Конькова А.В., Челебаев С.В. РЕАЛИЗАЦИЯ АЛГОРИТМА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ ДЛЯ ОБУЧЕНИЯ СЕТИ ПРЕОБРАЗОВАТЕЛЯ ЧАСТОТЫ В КОД // Студенческий: электрон. научн. журн. 2020. № 2(88). URL: https://sibac.info/journal/student/88/167130 (дата обращения: 03.06.2020).

РЕАЛИЗАЦИЯ АЛГОРИТМА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ ДЛЯ ОБУЧЕНИЯ СЕТИ ПРЕОБРАЗОВАТЕЛЯ ЧАСТОТЫ В КОД

Конькова Анастасия Витальевна

студент, кафедра автоматизированных систем управления, Рязанский государственный радиотехнический университет имени В.Ф. Уткина,

РФ, г. Рязань

Челебаев Сергей Велерьевич

канд. техн. наук, доц., Рязанский государственный радиотехнический университет имени В.Ф. Уткина

РФ, г. Рязань

IMPLEMENTATION OF A BACKPROPAGATION ALGORITHM FOR TRAINING THE CONVERTER NETWORK TO CHANGE FREQUENCY INTO THE CODE

 

Anastasia Konkova

student, Department of Automated control systems, Ryazan State Radio Engineering University named after V.F. Utkin,

Russia, Ryazan

Sergey Chelebaev

candidate of technical sciences, associate professor, Ryazan State Radio Engineering University named after V.F. Utkin,

Russia, Ryazan

 

АННОТАЦИЯ

В настоящей статье описан процесс измерения неэлектрической величины, состоящий из последовательности двух операций: первичного преобразования неэлектрической величины в электрическую и вторичного преобразования электрической величины в цифровой позиционный код. Рассматривается алгоритм обучения нейронной сети преобразователя, а также приводятся результаты обучения.

ABSTRACT

This article describes the process of measuring a non-electric quantity consisting of two operations:  primary conversion of non-electrical quantity into electrical and secondary conversion of electrical quantity into digital position code. Also, an algorithm for learning of artificial neural networks and learning results are considered.

 

Ключевые слова: алгоритм, нейронная сеть, обучение.

Keywords: algorithm, neural network, learning.

 

Использование датчиков в современных системах измерения, регулирования и контроля широко распространено. Датчики преобразуют неэлектрическую величину (давление, температура, частота и т.п.) в электрический сигнал, удобный для фиксирования информации о состоянии объекта исследований. Датчики на выходе имеют непрерывный выходной сигнал, имеющий определённых информативный параметр (напряжение, частота следования импульсов и т.п.).

Для дальнейшей обработки результатов измерений необходимо использовать вторичный преобразователь, позволяющий трансформировать аналоговую величину в цифровой код (рисунок 1).

 

Рисунок 1. Процесс измерения неэлектрической величины

 

Тарировочная характеристика, описывающая зависимость входной электрической величины от измеряемой неэлектрической, в общем случае нелинейна (рисунок 2).

 

Рисунок 2. Пример нелинейной зависимости

 

Возникает необходимость решения задачи линеаризации, которая заключается в восстановлении искомой линейной зависимости. Для этого применяют функциональные преобразователи информации, использующие технологию искусственных нейронных сетей.

Для того, чтобы нейронная сеть была способна выполнить поставленную задачу, её необходимо обучить. Целью обучения сети является такая подстройка её весов, чтобы приложение некоторого множества входов приводило к требуемому множеству выходов.

На рисунке 3 представлена блок-схема алгоритма обратного распространения ошибки [1]. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы.

В качестве примера нелинейной зависимости выбрана функция  на интервале . В ходе обучения двухслойного персептрона на воспроизведения заданной функции получены следующие результаты (таблица 1).

 

Рисунок 3. Блок-схема алгоритма обратного распространения ошибки

 

Таблица 1.

Результаты обучения нейронной сети

Кол-во нейронов скрытого слоя

Величина ошибки, %

Объём выборки

Эксперимент №1

Эксперимент №2

Эксперимент №3

Эксперимент №4

10

3,25

2,88

4,4

3,2

129

10

3,9

2

2,4

2,3

257

10

4

2,6

3,7

6,7

513

10

3,4

3,8

2,6

2,2

1025

10

4,1

4,1

2,8

3,5

2049

           

20

2,3

3,5

3

2,4

129

20

2,1

2,3

2,6

2,5

257

20

2,8

3,4

2,3

2,2

513

20

3

2,2

2,2

2,2

1025

20

3,4

2,2

2,5

4,3

2049

           

40

2,4

2,2

2,8

2,5

129

40

2,2

2,3

2,6

2,8

257

40

2,7

1,6

2,8

2,2

513

40

1,6

1,8

2,6

2,4

1025

40

2,5

1,7

2,1

3

2049

 

Исходя из анализа полученных результатов можно сделать вывод, что обучение сети было выполнено с достаточно высокой точностью. Не смотря на имеющиеся недостатки алгоритма обучения, многие исследователи продолжают его усовершенствование, что позволит добиться ещё более точных результатов обучения нейронных сетей. Для повышения точности воспроизведения зависимости следует использовать персептроны с большим числом скрытых слоев.

 

Список литературы:

  1. Уоссермен, Филипп. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен; Перевод с англ. Ю. А. Зуева, В. А. Точенова; Под ред. А. И. Галушкина. - М.: Мир, 1992. - 236,[1] с.: ил.; 22 см.

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом