МОДЕЛІ ДИНАМІЧНИХ ОБ’ЄКТІВ ЗІ ЗНАЧНОЮ НЕЛІНІЙНІСТЮ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ ІЗ ЧАСОВИМИ ЗАТРИМКАМИ
DOI:
https://doi.org/10.24025/2306-4412.3.2023.288284Ключові слова:
ідентифікація, нелінійні об’єкти, суттєві нелінійності, динамічні нейронні мережі, імітаційне моделюванняАнотація
Робота присвячена проблемі нелінійного моделювання об’єктів на основі динамічних нейронних мереж. Метою роботи є підвищення точності моделювання динамічних об’єктів зі значними нелінійностями за допомогою нейромережевих моделей та визначення області ефективного застосування цих моделей. Ця мета досягається шляхом застосування нелінійних динамічних моделей у вигляді нейронних мереж із часовою затримкою. Для дослідження області ефективного застосування запропонованих нейромережевих моделей розглядаються тестові об’єкти з нелінійностями двох типів: гладкою та кусково-лінійною (насиченням). Для дослідження точності нейронних мереж із часовою затримкою при моделюванні нелінійних динамічних об’єктів проведено два експерименти: дослідження масштабованості моделей до різних вхідних сигналів; дослідження екстраполяційних властивостей моделей. Результати обох експериментів порівнюються з результатами моделювання за допомогою компенсаційного методу детермінованої ідентифікації у вигляді функціональних рядів на основі багатовимірних вагових функцій. Отримані результати моделювання свідчать, що запропоновані нейромережеві моделі не є інваріантними по відношенню до вхідного сигналу. Але ці моделі можуть адекватно відображати властивості нелінійних динамічних об’єктів в разі навчання на достатньому обсязі даних, що формується на основі вхідних сигналів того ж типу, що й у тестовому наборі даних. Екстраполяційні властивості нейронних мереж із часовою затримкою погіршуються зі збільшенням амплітуд вхідних сигналів, що виходять за межі діапазону амплітуд вхідних сигналів навчальної вибірки. Наукова новизна роботи полягає у визначенні залежності між типами сигналів та їх амплітудами, діючими на вході моделі і точністю запропонованих моделей. Практична користь роботи полягає у визначенні області ефективного застосування нейронних мереж із часовою затримкою під час розв’язування прикладних задач ідентифікації об’єктів зі значно нелінійними характеристиками; підвищенні точності ідентифікації нелінійних об’єктів порівняно з моделями у вигляді функціональних рядів на основі багатовимірних вагових функцій.
Посилання
Agresti, A. (2017). Foundations of linear and generalized linear models. Wiley series in probability and statistics.
Antipina, E., Markova, E., & Solodusha, S. (2023). On one approach to computer modeling of the dynamics of heat and power systems by the Volterra series method. In AIP Conference Proceedings, 2757, 060001.
Fomin, O., Polozhaenko, S., Krykun, V., Orlov, A., & Lys, D. (2023). Interpretation of dynamic models based on neural networks in the form of integral-power series. In: Arsenyeva, O., Romanova, T., Sukhonos, M., & Tsegelnyk, Y. (eds.) Smart Technologies in Urban Engineering. STUE 2022. Lecture Notes in Networks and Systems, 536, 258-265, Springer, Cham.
Giannini, F., Colantonio, P., Orengo, G., Serino, A., Stegmayer, G., Pirola, M., & Ghione, G. (2007). Neural networks and Volterra series for time-domain power amplifier behavioral models. International Journal of RF and Microwave Computer-Aided Engineering, 17(2), 160-168.
Khandani, M.K., & Mikhael, W.B. (2020). A study on network size reduction using sparse input representation in time delay neural networks. In 2020 IEEE 63rd International Midwest Symposium on Circuits and Systems (MWSCAS) (pp. 864-867). Springfield, MA, USA.
Liu, W., Na, W., Feng, F., Zhu, L., & Lin, Q. (2020). A Wiener-type dynamic neural network approach to the modeling of nonlinear microwave devices and its applications. In 2020 IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization (NEMO) (pp. 1-3). Hangzhou, China.
Liu, W., Na, W., Zhu, L., & Zhang, Q.-J. (2016). A review of neural network based techniques for nonlinear microwave device modeling. In 2016 IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization (NEMO) (pp. 1-2). Beijing, China.
Liu, W., Na, W., Zhu, L., Ma, J., & Zhang, Q.-J. (2017). A Wiener-type dynamic neural network approach to the modeling of nonlinear microwave devices. IEEE Transactions on Microwave Theory and Techniques, 65(6), 2043-2062.
Liu, W., Su, Y., and Zhu, L. (2021). Nonlinear device modeling based on dynamic neural networks: A review of methods. In 2021 IEEE 4th International Conference on Electronic Information and Communication Technology (ICEICT) (pp. 662-665). Xi'an, China.
Liu, W., Su, Y., Tan, H., Feng, F., & Zhang, B. (2022). A review of Wiener-type dynamic neural network for nonlinear device modeling. In 2022 IEEE MTT-S International Microwave Workshop Series on Advanced Materials and Processes for RF and THz Applications (IMWSAMP) (pp. 1-3). Guangzhou, China.
Liu, W., Zhu, L., Feng, F., Zhang, W., Zhang, Q.-J., Qian, L., & Liu, G. (2020). A time delay neural network based technique for nonlinear microwave device modelling. Micromachines, 11(9), 831. Basel.
Liu, W., Zhu, L., Na, W., & Zhang, Q.-J. (2016). An overview of neuro-space mapping techniques for microwave device modeling. In 2016 IEEE MTT-S Latin America Microwave Conference (LAMC) (pp. 1-3). Puerto Vallarta, Mexico.
Meruelo, C., Simpson, D.M., Veres, S.M., & Newland, Ph.L. (2016). Improved system identification using artificial neural networks and analysis of individual differences in responses of an identified neuron. Neural Networks, 75, 56-65.
Mitrea, C.A., Lee, C.K.M., & Wu, Z. (2009). A comparison between neural networks and traditional forecasting methods: Case study. International Journal of Engineering Business Management, 1(2), 19-24.
Pavlenko, V.D., & Pavlenko, S.V. (2023). Deterministic identification methods for nonlinear dynamical systems based on the Volterra Model. Applied Aspects of Information Technology, 1(1) (Jun.), 11-32.
Rao, A.R., & Reimherr, M. (2021). Non-linear functional modelling using neural networks. Retrieved from https://arxiv.org/abs/2104.09371.
Rudin, C., & Radin, J. (2019). Why are we using black box models in AI when we don’t need to? A lesson from an explainable AI competition. Harvard Data Science Review, 2(1).
Schoukens, J., & Ljung, L. (2019). Nonlinear system identification: A user-oriented road map. IEEE Control Systems Magazine, 39(6), 28-99.
Sen, J. (2021). Machine Learning – Algorithms, Models and Applications. London, UK, IntechOpen.
Stegmayer, G., Pirola, M., Orengo, G., & Chiotti, O. (2004). Towards a Volterra series representation from a neural network model. WSEAS Transactions on Circuits and Systems, archive 1, 55-61.
Sugiyama, M., Sawai, H., & Waibel, A.H. (1991). Review of TDNN (time delay neural network) architectures for speech recognition. In IEEE International Sympoisum on Circuits and Systems (pp. 582-585), 1.
Todorovic, N., & Klan, P. (2006). State of the art in nonlinear dynamical system identification using artificial neural networks. In 2006 8th Seminar on Neural Network Applications in Electrical Engineering (pp. 103-108). Belgrade, Serbia.
Wang, C.-H., Chen, P.-C., Lin, P.-Z. & Lee, T.-T. (2009). A dynamic neural network model for nonlinear system identification. In 2009 IEEE International Conference on Information Reuse & Integration (pp. 440-441). Las Vegas, NV, USA.
Zhu, L., Zhang, Q., Liu, K., Ma, Y., Peng, B., & Yan, S. (2016). A novel dynamic neurospace mapping approach for nonlinear microwave device modeling. In IEEE Microwave and Wireless Components Letters (pp. 131-133), 26(2).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
URN
Ліцензія
Авторське право (c) 2023 Олександр Фомін, Віктор Сперанський, Валентин Крикун, Олексій Татарин, Владислав Літинський
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються в цьому збірнику, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають збірнику право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License CC BY-NC, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому збірнику.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи в тому вигляді, в якому її опубліковано цим збірником (наприклад, розміщувати роботу в електронному сховищі установи або публікувати в складі монографії), за умови збереження посилання на першу публікацію роботи в цьому збірнику.
Політика збірника наукових праць дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).