Candidate of Engineering Science, Senior lecturer
кандидат технических наук, старший преподаватель
Subject of research: methods and approaches to developing a neural network model for identifying parameters of a dynamic system applied in the process of signal recovery. Special attention is given to exploring the capabilities of neural networks in ensuring high precision and reliability in determining constant coefficients of sensor transfer functions.
Purpose of research: to develop an effective neural network model capable of accurately determining the parameters of a dynamic system necessary for high-quality signal restoration.
Research methods: machine learning techniques are employed, specifically deep neural networks equipped with a self-regularization module. Key stages of the research included data preparation, feature extraction, design of the neural network architecture, and computational experiments.
Objects of research: the object of research includes real measurement systems operating under industrial conditions.
Research findings: experiments have shown that the proposed neural network approach successfully restores the parameters of dynamic systems even in the presence of substantial noise and uncertainties in the data. The experiments confirmed the accuracy of parameter recovery with an error less than 5 %.
Предмет исследования: методы и подходы к разработке нейросетевой модели для идентификации параметров динамической системы, применяемых в процессе восстановления сигналов. Особое внимание уделяется исследованию возможностей нейронных сетей в обеспечении высокой точности и надежности определения постоянных коэффициентов передаточной функции датчиков.
Цель исследования: создать эффективную нейросетевую модель, позволяющую точно определять параметры динамической системы, необходимые для качественного восстановления сигнала.
Методы исследования: используются методы машинного обучения, основанные на искусственной нейронной сети, в частности глубокая нейронная сеть с модулем саморегуляризации. Основными этапами исследования стали подготовка данных, выделение значимых признаков, проектирование архитектуры нейронной сети и проведение вычислительных экспериментов.
Объект исследования: объектом исследования служат реальные измерительные системы, функционирующие в промышленных условиях.
Основные результаты исследования: в результате проведенных экспериментов доказано, что предложенный нейросетевой подход позволяет успешно восстанавливать параметры динамических систем измерительных приборов даже при наличии существенного шума и неопределенностей в данных. Эксперименты подтвердили точность восстановления параметров с погрешностью менее 5 %.