Ваш браузер устарел.

Для того, чтобы использовать все возможности сайта, загрузите и установите один из этих браузеров.

скрыть

Article

  • Title

    Intelligent Data Processing of Multisensors Based On Adaptive Neuro-Fuzzy Inference System

  • Authors

    Roshchupkina N. V.
    Sachenko А. О.
    Usupchuk R. U.

  • Subject

    COMPUTER AND INFORMATION NETWORKS AND SYSTEMS. MANUFACTURING AUTOMATION

  • Year 2013
    Issue 1(40)
    UDC 004.0; 004.8
    DOI
    Pages 144-149
  • Abstract

    This paper describes an improved algorithm of intelligent data processing by integrating to the modified identification method of individual characteristic curve together with adaptive neuro-fuzzy inference system. Implementing, software programming, studies of the proposed algorithm is showed in this paper. The result of data prediction with training of ANFIS system with 2.5% and 10% noisy inserted in training vectors and with different number of training epochs also showed. The proposed algorithm provides high accuracy of data prediction and low neural network learning error.

  • Keywords научн.
  • Viewed: 960 Dowloaded: 0
  • Download Article
  • References

    1. Roshchupkin, O. Reducing the Calibration Points of Multisensors / O. Roshchupkin, R. Smid, V. Kochan, A. Sachenko // Proceedings of the 9th IEEE International Multi-Conference on Systems, Signals and Devices (SSD’2012)). — Chemnitz (Germany), March 20 — 23, 2012. P. 1 — 6.

    2. Государственная система обеспечения единства измерений. Нормируемые метрологические характеристики средств измерений : межгосударственный стандарт. ГОСТ 8.009-84. — Офиц. изд. — На заміну ГОСТ 8.009-72; Введ. з 01.01.86. — М.: Издательство стандартов, 2003. — 26 с.

    3. Калиткин, Н.Н. Численные методы / Н.Н. Калиткин; под ред. А.А. Самарского. — СПб.: БХВ-Петербург, 2011. — 586 с.

    4. Новицкий, П.В. Оценка погрешностей результатов измерений / П.В. Новицкий, И.А. Зограф. — 2-е изд., перераб. и доп. — Л.: Энергоатомиздат, 1991. —301 с.

    5. Jang, J.-S.R. ANFIS: Adaptive-Network-based Fuzzy Inference Systems / J.-S.R. Jang // IEEE Transactions on Systems, Man, and Cybernetics. — 1993. — Vol. 23, No. 3. — P. 665 — 685.

    6. Уолш, Дж.Л. Интерполяция и аппроксимация рациональными функциями в комплексной области / Дж.Л. Уолш; пер. с англ. А.А. Гончара, С.Я. Хавинсона.  М.: Иностр. лит., 1961. - 508 с.

    7. Юсипчук, Р.Ю. Дослідження адаптивної нейро-нечіткої системи логічного виведення для багатопараметричного сенсора в інтелектуальному контролері / Р.Ю. Юсипчук, А.О. Саченко, О.Ю. Рощупкін // Матеріали другої міжнародної наукової конференції студентів та молодих вчених “Сучасні Інформаційні Технології 2012”, 26 — 27 квітня 2012 р. Інститут комп'ютерних систем. — Одеса: ОНПУ, 2012. — С. 7.

    8. Auge, J. High-speed multi-parameter data acquisition and web-based remote access to resonant sensors and sensor arrays / J. Auge, K. Dierks, F. Eichelbaum, P. Hauptmann // Sensors and Actuators B. — 2003. — Vol. 95, No. 1-3. — P. 32 — 38.

    9.  Michie, D. Machine Learning, Neural and Statistical Classification / D. Michie, D.J. Spiegelhalter, C.C. Taylor.  New York: Ellis Horwood, 1994. - 290 p.

    10. Takagi T. Fuzzy identification of systems and its application to modeling and control / T. Takagi, M. Sugeno // IEEE Trans. On System, Man and Cybernetics. 1985 - Vol 15(1). - P. 116 — 132.

  • Creative Commons License by Author(s)