Статья

Название статьи РАЗРАБОТКА МОДЕЛИ И АЛГОРИТМА ОТСЛЕЖИВАНИЯ ИЗМЕНЕНИЯ СОСТОЯНИЯ ТЕХНИЧЕСКОГО ОБЪЕКТА НА ОСНОВЕ МОДИФИЦИРОВАННОЙ НЕЙРОННОЙ СЕТИ ХЭММИНГА
Автор С.И. Клевцов
Рубрика РАЗДЕЛ I. МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ СИГНАЛОВ
Месяц, год 11, 2014
Индекс УДК 629.3.066.3
DOI
Аннотация Для предупреждения и предотвращения нештатных ситуаций разработана модель отслеживания изменения состояния технического объекта в реальном времени. Для решения этой задачи часто достаточно проведение анализа поведения одного, наиболее важного и значимого параметра, без учета остальных параметров, влияющих на его состояние. В связи с тем, что отслеживание изменения состояния должно осуществляться в реальном времени микроконтроллером микропроцессорного модуля и, желательно, в фоновом режиме, к алгоритму и модели предъявлены требования по простоте вычисления и адаптации к особенностям микропроцессорной обработки данных. Время на идентификацию должно быть незначительным, не влияющим существенным образом на выполнение других задач. Для решения задачи отслеживания изменения состояния использована модель, построенная на базе нейронной сети Хэмминга. Полученная модифицированная нейронная сеть Хэмминга реализует простой алгоритм работы, простой алгоритм обучения. Ее емкость не зависит от размерности сигнала на входе. Полученная модифицированная модель нейронной сети и алгоритм отслеживания изменения состояния объекта функционирует на основе анализа последовательных значений контролируемого параметра. На вход сети подаются бинарные входные сигналы, что может быть эффективно использовано при реализации алгоритма в микроконтроллере.

Скачать в PDF

Ключевые слова Нейронная сеть; объект; изменение состояния; реальное время.
Библиографический список 1. Клевцов С.И. Прогнозирование изменений физической величины в реальном времени с использованием линейного адаптивного фильтра // Известия ЮФУ. Технические науки. – 2013. – № 5 (142). – С. 180-185.
2. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозирования изменения быстроизменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3(21). – С. 199-205.
3. Клевцов С.И. Особенности выбора параметров настройки модели сглаживающего временного ряда для осуществления краткосрочного прогнозирования изменения физической величины // Известия ЮФУ. Технические науки. – 2011. – № 5 (118). – С. 133-138.
4. Клевцов С.И. Предварительная оценка состояния совокупности параметров технического объекта с использованием интеллектуального микропроцессорного модуля // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 43-48.
5. Lipman R. An introdaction to computing with neural nets // IEEE Acoustic, Speech and Signal Processing Magazine. – 1987. – № 2. – P. 4-22.
6. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4. – М.: ИПРЖР, 2001. – 256 с.
7. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. – СПб.: Наука и техника, 2003. – 384 с.
8. Круглов В.В. Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2001. – 382 с.
9. Wei Lu, Zhijian Li, Bingxue Shi. A modified Hamming neural network // Solid-State and Integrated Circuit Technology, 1995 4th International Conference. IEEE. Beijing, 1995. – P. 694-696.
10. Gupta A.K., Singh Y.P. Analysis of Hamming Network and MAXNET of Neural Network Method in the String Recognition // Communication Systems and Network Technologies (CSNT), 2011 International Conference. Katra, Jammu. 2011. IEEE. – P. 38-42.
11. Gaitanis N., Kapogianopoulos G., Karras D.A. Pattern classification using a generalised Hamming distance metric // Neural Networks, 1993. IJCNN '93-Nagoya. Proceedings of 1993
International Joint Conference. – 1993. – Vol. 2. – P. 1293-1296.
12. Lamela Horacio, Ruiz-Llata M., Warde Cardinal. Prototype optoelectronic neural network for artificial vision systems // IECON 02. Industrial Electronics Society, IEEE 2002 28th Annual Conference. – 2002. – Vol. 2. – P. 1434-1438.
13. Kwan H.K. One-layer feedforward neural network for fast maximum/minimum determination // Electronics Letters. – 2002. – Vol. 28, Issue 17. – P. 1583-1585.
14. Борисов Е.С. Классификатор на основе нейронной сети Хемминга. http://mechanoid.kiev.ua/neural-net-hamming-classifier.html.
15. Wei Lu, Bingxue Shi, Zhijian Li. A modified Hamming neural network with different thresholds and multi-valued weights // Neural Networks, 1996. IEEE International Conference. – Vol. 2. Washington, DC. – P. 1012-1016.
16. Feng K., Hoberock L.L. An optimal scheduling of pick place operations of a robot-vision-tracking system by using back-propagation and Hamming networks // Robotics and Automation,
1992. Proceedings, 1992 IEEE International Conference. – Vol. 2. Nice. IEEE. – P. 1201-1206.
17. Venkatalakshmi K., MercyShalinie S. Classification of multispectral images using neurostatistical classifier based on decision fusion and feature fusion // Intelligent Sensing and Infor-
mation Processing, 2004. Proceedings of International Conference. – 2004. IEEE. – P. 283-288.
18. Wei Lu, Bingxue Shi, Zhijian Li. A hybrid handwritten digits recognition system based on neural networks and fuzzy logic // Systems, Man, and Cybernetics, 1996, IEEE International
Conference. – Vol. 1. Beijing. IEEE. – P. 424-427.

Comments are closed.