ОБРАБОТКА СИГНАЛОВ НЕЙРОСЕТЬЮ ПРЯМОГО РАСПРОСТРАНЕНИЯ: АППРОКСИМАЦИЯ И ПРИНЯТИЕ РЕШЕНИЙ

DOI: 10.47026/1810-1909-2022-1-14-22

УДК 621.316.91

ББК 31.247

В.В. АНДРЕЕВ, Л.А. СЛАВУТСКИЙ, Е.В. СЛАВУТСКАЯ

Ключевые слова

искусственные нейронные сети, прямое распространение, обработка сигналов в электротехнике, аппроксимация, классификация, принятие решений

Аннотация

Искусственные нейронные сети прямого распространения (многослойный персептрон) позволяют решать широкий круг регрессионных задач (аппроксимации) и задач классификации (разбиение данных на подмножества). Соответствующие алгоритмы применяются в электротехнике и энергетике. Особенностью такой искусственной нейронной сети является то, что обучающая выборка может подаваться на вход в произвольной последовательности. Поэтому сами записи сигналов при ее обучении должны формироваться с учетом их временных зависимостей. В работе предлагается использование искусственной нейронной сети в скользящем временном окне. На простых примерах переходных процессов и релейной защиты проанализированы возможности аппроксимации временной формы сигналов и проблемы распознавания при помощи искусственной нейронной сети параметров сигналов вблизи нулевых и пороговых значений. Показано, что ошибки в работе искусственной нейронной сети могут быть компенсированы. Выбор длительности скользящего окна должен обязательно учитывать необходимость дополнительной обработки данных с выхода нейронной сети в виде их статистического анализа, аппроксимации или сглаживания полученных зависимостей.

Литература

1. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. Новосибирск: Наука, 1998. 296 с.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
3. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. 261 с.
4. Петров А.П. О возможностях перцептрона // Известия АН СССР. Техническая кибернетика. 1964. № 6. C. 25–57.
5. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5(142). С. 202–211.
6. Славутская Е.В., Абруков В.С, Славутский Л.А. Простые нейросетевые алгоритмы для оценки латентных связей психологических характеристик младших подростков // Экспериментальная психология. 2019. Т. 12, № 2. С. 131–144.
7. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.
8. Basodi S., Zhang H., Pan Y. Gradient amplification: An efficient way to train deep neural networks. Big Data Mining and Analytics, 2020, vol. 3(3), pp.196–
9. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI). Boston, 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
10. Burton B., Harley R.G. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes. IEEE Transactions on Industry Applications, 1998, vol. 34(3), pp. 589–596.
11. Bychkov A., Slavutskii L., Slavutskaya E. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment. In: 2020 International Ural Conference on Electrical Power Engineering (UralCon), 2020, pp. 24–28. DOI: 10.1109/UralCon49858.2020.9216248.
12. Coury D.V., Oleskovicz M., Aggarwal R.K. An ANN routine for fault detection, classification and location in transmission lines. Electrical Power Components and Systems, 2002, no. 30, pp. 1137–1149.
13. Dharmendra K., Moushmi K., Zadgaonkar A.S. Analysis of generated harmonics due to transformer load on power system using artificial neural network. International journal of electrical engineering, 2013, vol. 4(1), pp. 81–90.
14. Ivanov S., Nikandrov M., Lariukhin A. Neuro Algorithm Accuracy Evaluation for the Anomalies Detecting in Overcurrent Protection Operation. In: 2021 International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 116–120. DOI: 10.1109/UralCon52005.2021.9559614.
15. Grossberg S. A Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action. Neurorobot, 2020, vol. 14. DOI: https://doi.org/10.3389/fnbot.2020.00036.
16. He Z., Lin S., Deng Y., Li X., Qian Q. A rough membership neural network approach for fault classification in transmission lines. International Journal of Electrical Power and Energy Systems, 2014, vol. 61, pp. 429–439.
17. Jain A., Thoke A.S., Patel R.N. Fault classification of double circuit transmission line using artificial neural network. International Journal of Electrical Systems Science and Engineering, 2008, vol. 1, pp. 230–235.
18. Jamil M., Kalam A., Ansari A.Q., Rizwan M. Generalized neural network and wavelet transform based approach for fault location estimation of a transmission line. Applied Soft Computing, 2014, vol. 19, pp. 322–332.
19. Keerthipala W.W.L., Low Tah Chong, Tham Chong Leong. Artificial neural network model for analysis of power system harmonics. IEEE International Conference on Neural Networks, 1995, vol. 2, pp. 905–910.
20. Kulikov A.L., Loskutov A.A., Mitrovic M. Improvement of the technical excellence of multiparameter relay protection by combining the signals of the measuring fault detectors using artificial intelligence methods. In: International Scientific and Technical Conference Smart Energy Systems 2019 (SES-2019), 2019, vol. 124. DOI: https://doi.org/10.1051/e3sconf/201912401039.
21. Mahanty R.N., Dutta Gupta P.B. Comparison of fault classification methods based on wavelet analysis and ANN. Electric Power Components and Systems, 2006, vol. 34, pp. 47–60.
22. Mazumdar J., Harley R.G., Lambert F., Venayagamoorthy Neural Network Based Method for Predicting Nonlinear Load Harmonics. Power Electronics, IEEE Transactions, 2007, vol. 22(3), pp. 1036–1045. DOI: 10.1109/TPEL.2007.897109.
23. Montgomery D.C. Design and Analysis of Experiments. – John Wiley & Sons, Inc. 1997, 757 p.
24. Niekerk C.R., Rens A.P.J., Hoffman A.J. Identification of types of distortion sources in power systems by applying neural networks. In: 6^th IEEE AFRICON, 2002, vol. 2(2), pp. 829–834.
25. Osowski S. Neural network for estimation of harmonic components in a power system. IEEЕ Proceedings on Generation, Transmission and Distribution, 1992, vol. 139(2), pp. 129–135.
26. Rosenblatt F. Principles of neurodynamics. Washington, Spartan books, 1962.
27. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation. In: Parallel Distributed Processing. Vol. 1. Cambridge, MA: MIT Press, 1986, pp. 318–362.
28. Silva K.M., Souza B.A., Brito N.S.D. Fault detection and classification in transmission lines based on wavelet transform and ANN. IEEE Transactions on Power Delivery, 2006, vol. 21, pp. 2058–2063.
29. Slavutskiy A, Slavutskii L., Slavutskaya E. Neural Network for Real-Time Signal Processing: the Nonlinear Distortions Filtering. In: 2021 International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 84–88. DOI: 10.1109/UralCon52005.2021.9559619.

Сведения об авторах

Андреев Вячеслав Владимирович – студент IV курса факультета радиоэлектроники и автоматики, Чувашский государственный университет, Россия, Чебоксары (vyacheslav-andreev-2000@mail.ru).

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; ORCID: https://orcid.org/0000-0001-6783-2985).

Славутская Елена Владимировна – доктор психологических наук, профессор кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет имени И.Я. Яковлева, Россия, Чебоксары (slavutskayaev@gmail.com; ORCID: https://orcid.org/0000-0002-3759-6288).

Формат цитирования

Андреев В.В., Славутский Л.А., Славутская Е.В. Обработка сигналов нейросетью прямого распространения: аппроксимация и принятие решений // Вестник Чувашского университета. – 2022. – № 1. – С. 14–22. DOI: 10.47026/1810-1909-2022-1-14-22.

Загрузить полный текст статьи