РЕКУРРЕНТНОЕ ИСПОЛЬЗОВАНИЕ ПЕРСЕПТРОНА ДЛЯ СТРУКТУРНОГО АНАЛИЗА СИГНАЛОВ

DOI: 10.47026/1810-1909-2022-3-5-11

УДК 621.316.91

ББК 31.247

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

Ключевые слова

искусственные нейронные сети, многослойный персептрон, рекуррентное использование, структурный анализ сигналов, оценка точности нейроалгоритма

Аннотация

Работа посвящена использованию искусственной нейронной сети прямого распространения (многослойного персептрона) для обработки сигналов в электротехнике и электроэнергетике. Такие простейшие нейросети предлагается использовать вместо искусственной нейронной сети с более сложной структурой (сверточных, рекуррентных), но в рамках последовательного рекуррентного алгоритма. Это позволяет проверять и контролировать качество обработки сигналов на каждом этапе вычислений. Предлагаемый алгоритм апробирован на примере структурного анализа сигнала с нелинейными искажениями в скользящем временном окне. Показано, что амплитуда, частота и фаза сигнала промышленной частоты с высоким уровнем гармоник и апериодической составляющей могут быть выделены с точностью в единицы процентов за время, не превышающее единиц миллисекунд. Для повышения точности на каждом шаге вычислений могут кроме искусственной нейронной сети использоваться традиционные методы: усреднение, медианное сглаживание и т.д.

Литература

1. Боровиков В.П. Нейронные сети. Методология и технологии современного анализа данных / под ред. В.П. Боровикова. М.: Горячая линия-Телеком, 2008. 392 с.
2. Кощеев М.И., Ларюхин А.А., Славутский А.Л. Использование адаптивных нейроалгоритмов для распознавания аномальных режимов систем вторичного оборудования электроэнергетики // Вестник Чувашского университета. 2019. № 1. С. 47–58.
3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
4. 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.
5. Хайкин С. Нейронные сети: полный курс: 2-е изд.: пер. с англ. М.: ООО «И.Д.Вильямс». 2006. 1104 с.
6. Andreev O.N., Slavutskiy A.L., Slavutskii L.A. Neural network in a sliding window for power grids signals structural analysis. IOP Conference Series: Earth and Environmental Science. 990 https://iopscience.iop.org/article/10.1088/1755-1315/990/1/012054
7. Antonov V.I., Naumov V.A., Fomin A.I. et al. Adaptive structural analysis of input signals of digital and relay protection and automation. Russian Electrical Engineering, 2015, vol. 86, 391–397. DOI: 10.3103/S1068371215070032
8. Basodi, Zhang H., Pan Y. Gradient amplification: An efficient way to train deep neural networks. Big Data Mining and Analytics, 2020, vol. 3(3), pp.196-207.
9. Billings S.A. Nonlinear system identification: NARMAX methods in the time, frequency, and spatio-temporal domains. John Wiley & Sons, 2013. 555 DOI: 10.1002/9781118535561
10. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI). Boston: IEEE, 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151
11. Bychkov A., Slavutskii L., Slavutskaya E. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment. 2020 International Ural Conference on Electrical Power Engineering, UralCon 2020, pp. 24–28. DOI: 10.1109/UralCon49858.2020.9216248
12. 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.
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. Grossberg S. A Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action. Neurorobot, 2020, June 25. DOI: https://doi.org/10.3389/fnbot.2020.00036
15. Ince T., Kiranyaz S., Eren L., Askar M., Gabbou M. Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks. IEEE Transactions on Industrial Electronics, 2016, vol. 63, no. 11, pp. 7067–7075. DOI: 10.1109/TIE.2016.2582729.
16. 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.
17. Montgomery D.C. Design and Analysis of Experiments. John Wiley & Sons. Inc., 1997, 757 p.
18. 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.
19. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1^st Boca Raton, Auerbach Publications, 2006, 570 p.

Сведения об авторах

Андреев Олег Николаевич – аспирант кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (helga013@yandex.ru; ORCID: https://orcid.org/0000-0003-2974-2502).

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; 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; https://orcid.org/0000-0002-3759-6288).

Формат цитирования

Андреев О.Н., Славутский Л.А., Славутская Е.В. Рекуррентное использование персептрона для структурного анализа сигналов // Вестник Чувашского университета. – 2022. – № 3. – С. 5–11. DOI: 10.47026/1810-1909-2022-3-5-11.

Загрузить полный текст статьи