Please use this identifier to cite or link to this item: http://ena.lp.edu.ua:8080/handle/ntb/45569
Title: Залежність похибки прогнозування температури нейронними мережами від похибки вимірювання
Other Titles: Dependence of neural networks temperature prediction error on measurement error
Authors: Лопатко, О. О.
Lopatko, Olha
Affiliation: Національний університет “Львівська політехніка”
Lviv Polytechnic National University
Bibliographic description (Ukraine): Лопатко О. О. Залежність похибки прогнозування температури нейронними мережами від похибки вимірювання / О. О. Лопатко // Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник. — Львів : Видавництво Львівської політехніки, 2018. — Том 79. — № 4. — С. 42–46.
Bibliographic description (International): Lopatko O. Dependence of neural networks temperature prediction error on measurement error / Olha Lopatko // Measuring equipment and metrology : scientific journal. — Vydavnytstvo Lvivskoi politekhniky, 2018. — Vol 79. — No 4. — P. 42–46.
Is part of: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник, 4 (79), 2018
Measuring equipment and metrology : scientific journal, 4 (79), 2018
Journal/Collection: Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник
Issue: 4
Volume: 79
Issue Date: 26-Feb-2018
Publisher: Видавництво Львівської політехніки
Place of the edition/event: Львів
Keywords: нейронна мережа
прогнозування значення температури
перехідний процес
температура
Neural Network
Temperature Prediction
Step Response
Temperature
Number of pages: 5
Page range: 42-46
Start page: 42
End page: 46
Abstract: У роботі подано результати дослідження залежності похибки прогнозування значення температури нейронними мережами від похибки вимірювання. Описано алгоритм створення тестових послідовностей та навчання нейронних мереж. Наведено результати дослідження залежності похибки прогнозування значення температури від мультиплікативної, нелінійної та випадкової складових похибки, а також описано результати дослідження залежності похибки прогнозування значення температури від одночасного впливу цих складових.
The current article describes the results of the study of the neural networks temperature prediction error dependence on measurement errors, which are random, nonlinear and multiplicative errors. It is noted applicability of the architecture of neural network for temperature prediction. The formula of temperature step response for ideal sensor is given. At the very beginning an algorithm for calculating and creating test sequences for neural network training is developed. The studies described in this article are implemented in the computing environment. There are given formulas and figures of measurement errors models. After considering the measurement error, which neural networks were trained and verified with the training set. The results of the study of the temperature prediction error dependence on the multiplicative measurement error and nonlinear measurement error are presented. They allow conclude that raising the measurement errors with the prediction errors increase. As the result, for the maximal measurement error (2.5 %) an absolute temperature prediction error is achieved at the level lower than 5∙10-5 °C. The results of the similar studies of dependence on the random measurement error are presented. They underline the mentioned errors increasing with the prediction error. For random measurement error (0.5 %) absolute temperature prediction error is of 0.5 °C and for 2.5 % random measurement error absolute temperature prediction error is of 1.5 °C. It is described also the study of the temperature prediction error dependence on the aforesaid three types of measurement errors. The major conclusion of the received results (the dependences of the temperature prediction error on the measurement errors) consists in the next. The prediction temperature value slightly depends on multiplicative and nonlinear errors. In addition, the main impact on neural network temperature prediction error is caused by the random error.
URI: http://ena.lp.edu.ua:8080/handle/ntb/45569
Copyright owner: © Національний університет “Львівська політехніка”, 2018
URL for reference material: http://www.dkriesel.com/en/science/neural_networks
References (Ukraine): 1. F. Bernhard, Handbuch der technischen temperaturmessung, Springer Vieweg, 2014.
2. Н. Ярышев, Теоретические основы измерения нестационарной температуры, Ленинград: Энергоатомиздат, 1990.
3. D. Kriesel. A Brief, Introduction to Neural Networks, 2007. [On-line], Available: http://www.dkriesel.com/en/science/neural_networks.
4. R. Bordawekar, B. Blainey, R. Puri, Analyzing Analytics. Morgan & Claypool Publishers, 2015.
5. О. Лопатко, І. Микитин, “Похибки прогнозування значення температури нейронними мережами за ідеальним перехідним процесом”, Вимірювальна техніка та метрологія, вип. 78, с. 20–24, 2017.
6. М. Дорожовець, В. Мотало, Б. Стадник, Основи метрології та вимірювальної техніки у двох томах, т. 1. Львів: Вид-во Нац. ун-ту “Львівська політехніка”, 2005.
References (International): 1. F. Bernhard, Handbuch der technischen temperaturmessung, Springer Vieweg, 2014.
2. N. Yaryshev, Theoretical basis for measuring nonstationary temperature, Leningrad, USSR: Energoatomizdat, 1990.
3. D. Kriesel. A Brief, Introduction to Neural Networks, 2007. [On-line], Available: http://www.dkriesel.com/en/science/neural_networks.
4. R. Bordawekar, B. Blainey, R. Puri, Analyzing Analytics. Morgan & Claypool Publishers, 2015.
5. O. Lopatko, I. Mykytyn, “Temperature value prediction errors using neural networks and ideal transition process”, Measuring equipment and metrology, vol. 78, p. 20–24. 2017.
6. M. Dorozhovets, V. Motalo, B. Stadnyk, Fundamentals of metrology and measuring technique, vol. 1. Lviv, Ukraine: Publ. House Lviv Pol. Nat. Univ., 2005.
Content type: Article
Appears in Collections:Вимірювальна техніка та метрологія. – 2018. – Випуск 79, №4



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