Please use this identifier to cite or link to this item: http://ena.lp.edu.ua:8080/handle/ntb/42986
Title: Похибки прогнозування значення температури нейронними мережами за ідеальним перехідним процесом
Other Titles: Temperature value prediction errors using neural networks and ideal transition process
Authors: Лопатко, Ольга
Микитин, Ігор
Lopatko, Olha
Mykytyn, Ihor
Affiliation: Національний університет “Львівська політехніка”
Bibliographic description (Ukraine): Лопатко 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.
Bibliographic description (International): Lopatko 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.
Is part of: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник (78), 2017
Journal/Collection: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник
Volume: 78
Issue Date: 28-Mar-2017
Publisher: Видавництво Львівської політехніки
Place of the edition/event: Львів
UDC: 536.531(532)
Keywords: нейронна мережа
прогнозування значення температури
температурний перехідний процес
neural network
temperature prediction
temperature transition process
нейронная сеть
прогнозирование значения температуры
температурный переходный процесс
Number of pages: 5
Page range: 20-24
Start page: 20
End page: 24
Abstract: Описано 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.
The 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.
Описаны 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.
URI: http://ena.lp.edu.ua:8080/handle/ntb/42986
Copyright owner: © Національний університет „Львівська політехніка“, 2017
© Лопатко Ольга, Микитин Ігор, 2017
URL for reference material: http://www.dkriesel.com/en/
References (Ukraine): 1. Alexander von Beckerath, Anselm Eberlein, Hermann Julien, Peter Kersten, Jochem Kreutzer, WIKA Handbook Pressure & Temperature Measurement. – Cumming: Corporate Printers, 2008. – 423 p.
2. 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.
3. 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.
4. Ярышев Н. А. Теоретические основы измерения нестационарной температуры. – 2-е изд., перераб. – Л.: Энергоатом- издат, 1990. – 256 с.
5. 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.
6. Kriesel D. A Brief Introduction to Neural Networks, 2007, http://www.dkriesel.com/en/ science/neural_networks.
7. Rajesh Bordawekar, Bob Blainey, Ruchir Puri, Analyzing Analytics. – Morgan & Claypool Publishers, 2015. – 124 p.
8. 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.
References (International): 1. Alexander von Beckerath, Anselm Eberlein, Hermann Julien, Peter Kersten, Jochem Kreutzer, WIKA Handbook Pressure & Temperature Measurement, Cumming: Corporate Printers, 2008, 423 p.
2. 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.
3. 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.
4. Iaryshev N. A. Teoreticheskie osnovy izmereniia nestatsionarnoi temperatury, 2-e izd., pererab, L., Enerhoatom- izdat, 1990, 256 p.
5. 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.
6. Kriesel D. A Brief Introduction to Neural Networks, 2007, http://www.dkriesel.com/en/ science/neural_networks.
7. Rajesh Bordawekar, Bob Blainey, Ruchir Puri, Analyzing Analytics, Morgan & Claypool Publishers, 2015, 124 p.
8. 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.
Content type: Article
Appears in Collections:Вимірювальна техніка та метрологія. – 2017. – Випуск 78



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.