Разработка и применение нейросетевых алгоритмов учета погрешностей эталонных средств при калибровке угломерных геодезических приборов

• Автор: Хиноева, Ольга Борисовна
• Шифр специальности: 25.00.32
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 136 с. : ил.

Глава 1. Анализ структуры погрешностей угломерных геодезических приборов
1.1. Общая характеристика угломерных геодезических приборов
1.2. Структура погрешностей оптических и оптико-электронных угло
мерных геодезических приборов
1.3. Анализ существующих методов и средств поверки и калибровки
угломерных геодезических приборов
Выводы по первой главе
Глава 2. Исследование методов аппроксимации функций значений
погрешностей при калибровочных работах
2.1. Исследование методов аппроксимации значений функций погреш-

ностеи измерении
2.1.1. Аппроксимация значений погрешностей тригонометрическим
рядом
2.1.2. Нейросетевые алгоритмы аппроксимации значений погрешностей
измерений
2.2.Искусственные нейронные сети (ИНС), модель формального нейро

2.3. Основные архитектуры нейронных сетей
2.4. Механизмы обучения искусственных нейронных сетей, построение
нейросетевого алгоритма решения задач
Выводы по второй главе
Глава 3. Разработка и исследование методов аппроксимации погрешностей эталонных средств при калибровке систем измерения

углов
3.1. Результаты исследований горизонтального круга электронного
тахеометра TPS System 1000
3.2. Аппроксимация результатов натуральных измерений тригономет
рическим рядом
3.3. Разработка математической модели учета влияния эксцентриситета
осей с использованием нейросети
Выводы по третьей главе
Заключение
Литература

Приложение 1. Результаты исследование стабильности фиксации углов между гранями призмы измерительным преобразователем ROD-800
Приложение 2. Разность между значениями углов эталонной призмы, имеренными угловым преобразователем ROD-800 и полученными при
поверке призмы
Приложение 3. Разности между значениями углов эталонной призмы, измеренными TPS System 1000 и полученными при поверке призмы
Приложение 4. Разности между показаниями TPS System 1000 и показаниями углового преобразователя ROD- 800 на 24 гранях призмы
Приложение 5. Таблица случайной составляющей погрешности преоб
разования системы «ROD-800 - призма»
Приложение 6. Таблица случайной составляющей погрешности преоб
разования системы «TPS System 1000 - призма»
Приложение 7. Таблица случайной составляющей погрешности преобразования системы «TPS System 1000 - ROD -800»
Приложение 8. Таблица случайной составляющей погрешности преобразования системы «ROD-800 - призма»
Приложение 9. Таблица случайной составляющей погрешности преобразования системы «TPS System 1000 -призма»
Приложение 10. Таблица случайной составляющей погрешности преоб
разования системы «TPS System 1000 - ROD-800»
Приложение 11. Таблица случайной составляющей погрешности преобразования системы «TPS System 1000-призма»
Приложение 12. Блок-схема технологии калибровки геодезического
угломерного прибора

В настоящее время в области геодезических измерений наблюдается переход от оптических методов измерений к оптико-электронным. При этом развитие и совершенствование угломерных приборов, возрастающие требования к их точности и надежности, а также автоматизация процесса измерений с их помощью, приводят к необходимости создания новых методов и средств контроля метрологических характеристик таких приборов. Все это требует дальнейшего повышения точности их поверки и калибровки, что является на данный момент актуальной задачей.
Погрешности измерительных систем оптико-электронных угломерных геодезических приборов имеют сложную зависимость, которая до конца не изучена и может быть выявлена только в результате экспериментальных исследований. Кроме того, современные угломерные приборы основываются на разных физических принципах, структура погрешности их во многом не изучена.
Известные эталонные средства измерений для калибровки и исследований угломерных геодезических приборов не дают полной информации о суммарной погрешности поверяемого средства измерения. Следовательно, задача создания универсального стендового оборудования для метрологических исследований современных угломерных приборов является на данный момент актуальной.
Помимо этого, необходим новый подход к обработке результатов измерений. Обработка результатов измерений, при создании испытательного оборудования обычно возможна тремя путями:
1) выполняют гармонический анализ суммарной погрешности прибора с помощью преобразования Фурье, при этом учитывают некоторые из систематических погрешностей;
2) создают математическую модель;
3) создают искусственные нейронные сети.
процессорных и многопроцессорных ЭВМ с архитектурой фон-Неймана, аппроксимирующая функция представляется в следующем виде:
здесь набор (р, как правило, выбирается априори, исходя из интересов авторов конкретного метода аппроксимации и некоторых свойств данных функций, доказываемых и используемых в процессе аппроксимации.
Для нейронных сетей базовое выражение для аппроксимируемой функции выглядит несколько иначе, например, для трехслойной нейронной сети с последовательными связями:
В последнем выражении структура эквивалентных базовых функций ц/1 представлена в нейросетевом логическом базисе с множеством коэффициентов, которые являются настраиваемыми в процессе поиска наилучшей аппроксимации.
Подобное представление аппроксимированной функции может быть при необходимости усложнено как увеличением числа слоев, изменением числа нейронов в каждом слое нейронной сети, введением перекрестных связей и структуре нейронной сети, так и таким широко используемым в последние годы способом, как введение обратных связей в структуре нейронной сети (реккурентных нейронных сетей).
Нейронную сеть аппроксимирующую некоторую функцию у=Р(х), называют отображающей. Обычно при построении такой сети функция активации нейронов зависит от самой аппроксимируемой функции.
Таким образом, преимущества нейросетевого представления аппроксимируемой функции: большая гибкость базовых функций <р,(х) связанная с адаптацией к входным данным; возможность использования нейросетевых структур для априорного представления функции у(х); высокая потенциальная параллельность выполняемых операций на нейронных сетях; однороду(х) = ^а,»фХх)
(2.4)
(2.5)