Повышение точности и разрешающей способности растровых измерительных систем на принципах нейросетевой обработки информации

• Автор: Драгина, Ольга Геннадьевна
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Москва
• Количество страниц: 210 с. : ил.

Глава 1. Анализ проблемы повышения точности и разрешающей способности растровых измерительных систем и существующих методов ее решения. Постановка задачи исследования
1.1. Измерительные преобразователи измерительных информационных систем
1.2. Принципы построения растровых преобразователей линейных
и угловых перемещений
1.2.1. Классификация мер, используемых в растровых преобразователях
1.2.2. Структуры и характеристики существующих растровых преобразователей
1.3. Обзор методов повышения точности и увеличения дискретности растровых преобразователей
1.3.1. Повышение точности формирования информационного сигнала
о параметрах движения
1.3.2. Увеличение дискретности информационного сигнала
1.3.3. Формирование информации о направлении измеряемого перемещения
1.4. Выводы по главе 1. Цель и задачи исследования
Глава 2. Искусственные нейронные сети как средство
построения измерительных преобразователей
2.1. Искусственные нейронные сети: структура, обучение, применение.
2.1.1. Модель формального нейрона ,38
2.1.2. Основные архитектуры нейронных сетей 4?
2.1.3. Механизмы обучения искусственных нейронных сетей
2.2. Методика решения задач в нейросетевом логическом базисе
2.3. Построение нейросетевого алгоритма решения задач
2.4. Использование аппарата ИНС в измерительных задачах
2.5. Выводы по главе 2

Глава 3. Оценка влияния искажений измерительных сигналов растрового преобразователя на погрешность интерполяции фазы
3.1. Структура суммарной погрешности растрового звена
3.2. Оптимальная интерполяция фазы на основании ортогональных измерительных сигналов РИС
3.3. Измерение фазового сдвига сигналов через измерение временного интервала методом дискретного счета
3.4. Модели искажений измерительных сигналов РИС
3.5. Анализ систематической погрешности интерполяции фазы
3.6. Анализ степенной модели искажений формы измерительных сигналов РП и систематической погрешности интерполяции фазы на экспериментальных данных
3.7. Выводы по главе
Глава 4. Синтез ИНСдля решения задачи коррекции искажений формы и ортогональности измерительных сигналов РИС
4.1. Нейросетевые алгоритмы аппроксимации функций
4.2. Нейросетевая коррекция измерительных сигналов РИС
4.2.1. Коррекция искажений формы сигналов
4.2.2. Одновременная коррекция искажений формы и ортогональности измерительных сигналов РИС
4.2.3. Анализ погрешности функции преобразования фазовой интерполяции
4.2.4. Усредненная коррекция искажений измерительных сигналов РИС и анализ погрешности функции преобразования фазовой интерполяции
4.2.5. Усредненная коррекция искажений измерительных сигналов РИС с дополнительным входом ИНС
4.3. Выводы по главе
Глава 5. Разработка метода интерполяции фазы с
применением ИНС
5.1. Тенденции развития современных АЦП
5.2. Примеры реализации аналого-цифровых преобразователей на основе нейросетевых технологий
5.3. Разработка и обучение нейросетевой модели АЦПФ
5.3.1. Создание математической модели
5.3.2. Этапы обучения модели
5.4. Моделирование задачи последовательного развертывания нейросетевой структуры АЦПФ
5.5. Выводы по главе
Глава 6. Практические рекомендации по применению нейросетевых алгоритмов обработки измерительных сигналов РИС
6.1. Анализ различных (архитектурных) подходов к построению (реализации) ИНС в области измерений
6.2. Нейросетевая коррекция измерительных сигналов РИС и
АЦПФ на персональном компьютере (PC)
6.3. Нейросетевая коррекция измерительных сигналов РИС
и АЦПФ с использованием аналоговых микросхем ИНС
6.4. Выводы по главе
Заключение
Литература
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение
Приложение

Первый слой выполняет чисто распределительные функции, причем каждый нейрон его имеет соединения со всеми нейронными элементами выходного слоя. Второй слой осуществляет конкуренцию между нейронными элементами, в результате которой определяется нейрон-победитель. Для ней-рона-победителя синаптические связи усиливаются, а для остальных нейронов не изменяются или могут уменьшаться. В результате этого процесса осуществляется конкурентное обучение (competitive learning). Победителем в конкуренции является нейрон, который в результате подачи на вход сети определенного образа имеет максимальную взвешенную активность:
где j = 1, т.
Это правило известно под названием «победитель берет все» []. При поступлении на вход нейронной сети неизвестного образа она будет его относить к такому кластеру, на который он больше всего похож. В этом заключается обобщающая способность такого типа нейронных сетей.
Нейронные сети встречного распространения предложены в 1987г. Р.Хечт-Нильсеном (Hecht-Nielsen.) [88] и являются дальнейшим развитием нейронных сетей Кохонена. К ним относятся нейронные сети с радиальнобазисной функцией (Radial Basis Function Network), предложенные в 1989 г. Архитектура RBF нейронной сети имеет три слоя: нейроны входного слоя выполняют распределительные функции, промежуточный слой состоит из нейронов Кохонена, а в качестве выходного слоя используются нейронные элементы с линейной функцией активации. RBF сети предназначены для регде X — {х1,х2,...хп}. входной образ, № - w^J,wгj,..^vnj - вектор-столбец весовых коэффициентов у-го выходного нейрона. Пусть 5). = шах 5.
Тогда активность выходных нейронов :
(2.14)