Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж
Вирішено завдання створення математичного забезпечення для побудови прогнозних моделей на основі згорткових нейронних мереж. Запропоновано метод використання згорткових нейронних мереж для прогнозування частоти неперіодичних сигналів. Вирішено практичне завдання прогнозування частоти вібрацій авіаці...
Gespeichert in:
| Veröffentlicht in: | Реєстрація, зберігання і обробка даних |
|---|---|
| Datum: | 2018 |
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2018
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/168763 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж / С.О. Субботін, О.В. Корнієнко, І.В. Дрокін // Реєстрація, зберігання і обробка даних. — 2018. — Т. 20, № 3. — С. 29–36. — Бібліогр.: 12 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-168763 |
|---|---|
| record_format |
dspace |
| spelling |
Субботін, С.О. Корнієнко, О.В. Дрокін, І.В. 2020-05-08T19:04:00Z 2020-05-08T19:04:00Z 2018 Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж / С.О. Субботін, О.В. Корнієнко, І.В. Дрокін // Реєстрація, зберігання і обробка даних. — 2018. — Т. 20, № 3. — С. 29–36. — Бібліогр.: 12 назв. — укр. 1560-9189 DOI: https://doi.org/10.35681/1560-9189.2018.20.3.158515 https://nasplib.isofts.kiev.ua/handle/123456789/168763 004.93 Вирішено завдання створення математичного забезпечення для побудови прогнозних моделей на основі згорткових нейронних мереж. Запропоновано метод використання згорткових нейронних мереж для прогнозування частоти неперіодичних сигналів. Вирішено практичне завдання прогнозування частоти вібрацій авіаційних двигунів при проведені їхніх випробувань. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних, які було зібрано з датчиків вібрацій при проведені випробувань авіадвигуна. Порівняно результати тестування всіх побудованих моделей. Решена задача создания математического обеспечения для построения прогнозных моделей на основе сверточных нейронных сетей. Предложен метод использования сверточных нейронных сетей для прогнозирования частоты непериодических сигналов. Решена практическая задача прогнозирования частоты вибраций авиационных двигателей при проведении их испытаний. Выполнено построение нейросетевых моделей, их обучение и тестирование на данных, которые были собраны с датчиков вибраций при проведении испытаний авиадвигателя. Проведено сравнение результатов тестирования всех построенных моделей. The problem on creation of mathematical support for construction of forecast models based on convolutional neural networks is solved in the work. A method is proposed for using convolutional neural networks to predict the frequency of non-periodic signals. To determine the frequency of the signal, it was divided into parts, after which a fast Fourier transform was used for each part. The spectrograms obtained after the transform are used as inputs to the learning of the neural network. The output value depends on the presence or absence of a frequency that is above the critical value on the predicted interval. The first layer of the neural network uses a three-dimensional convolution, and on the next layers - a onedimensional convolution. Between the convolutional layers, there are subsampling layers used to accelerate learning and prevent retraining. The neural network contains two output neurons which determine the presence of a frequency that exceeds the critical value. The practical task of predicting the frequency of vibration of aircraft engines during their tests is solved. The construction of different neural network models, their training and testing on the data that were collected from vibration sensors during the testing of the aircraft engine has been performed. To increase the amount of data, augmentation is used. To do this, several copies of the signal with changed frequencies are added. The models constructed differ in the amount of data used and in the forecasting time. Comparison of the test results of all the models has been performed. The maximum forecasting time that can be achieved with the proposed method is determined. This time is enough for the pilot to react and change the flight mode or to land the helicopter. uk Інститут проблем реєстрації інформації НАН України Реєстрація, зберігання і обробка даних Реєстрація, зберігання і обробка даних Математичні методи обробки даних Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж Прогнозирование частоты непериодических сигналов на основе сверточных нейронных сетей A prediction of the frequency of non-periodic signals based on convolutional neural networks Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| spellingShingle |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж Субботін, С.О. Корнієнко, О.В. Дрокін, І.В. Математичні методи обробки даних |
| title_short |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| title_full |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| title_fullStr |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| title_full_unstemmed |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| title_sort |
прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж |
| author |
Субботін, С.О. Корнієнко, О.В. Дрокін, І.В. |
| author_facet |
Субботін, С.О. Корнієнко, О.В. Дрокін, І.В. |
| topic |
Математичні методи обробки даних |
| topic_facet |
Математичні методи обробки даних |
| publishDate |
2018 |
| language |
Ukrainian |
| container_title |
Реєстрація, зберігання і обробка даних |
| publisher |
Інститут проблем реєстрації інформації НАН України |
| format |
Article |
| title_alt |
Прогнозирование частоты непериодических сигналов на основе сверточных нейронных сетей A prediction of the frequency of non-periodic signals based on convolutional neural networks |
| description |
Вирішено завдання створення математичного забезпечення для побудови прогнозних моделей на основі згорткових нейронних мереж. Запропоновано метод використання згорткових нейронних мереж для прогнозування частоти неперіодичних сигналів. Вирішено практичне завдання прогнозування частоти вібрацій авіаційних двигунів при проведені їхніх випробувань. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних, які було зібрано з датчиків вібрацій при проведені випробувань авіадвигуна. Порівняно результати тестування всіх побудованих моделей.
Решена задача создания математического обеспечения для построения прогнозных моделей на основе сверточных нейронных сетей. Предложен метод использования сверточных нейронных сетей для прогнозирования частоты непериодических сигналов. Решена практическая задача прогнозирования частоты вибраций авиационных двигателей при проведении их испытаний. Выполнено построение нейросетевых моделей, их обучение и тестирование на данных, которые были собраны с датчиков вибраций при проведении испытаний авиадвигателя. Проведено сравнение результатов тестирования всех построенных моделей.
The problem on creation of mathematical support for construction of forecast models based on convolutional neural networks is solved in the work. A method is proposed for using convolutional neural networks to predict the frequency of non-periodic signals. To determine the frequency of the signal, it was divided into parts, after which a fast Fourier transform was used for each part. The spectrograms obtained after the transform are used as inputs to the learning of the neural network. The output value depends on the presence or absence of a frequency that is above the critical value on the predicted interval. The first layer of the neural network uses a three-dimensional convolution, and on the next layers - a onedimensional convolution. Between the convolutional layers, there are subsampling layers used to accelerate learning and prevent retraining. The neural network contains two output neurons which determine the presence of a frequency that exceeds the critical value. The practical task of predicting the frequency of vibration of aircraft engines during their tests is solved. The construction of different neural network models, their training and testing on the data that were collected from vibration sensors during the testing of the aircraft engine has been performed. To increase the amount of data, augmentation is used. To do this, several copies of the signal with changed frequencies are added. The models constructed differ in the amount of data used and in the forecasting time. Comparison of the test results of all the models has been performed. The maximum forecasting time that can be achieved with the proposed method is determined. This time is enough for the pilot to react and change the flight mode or to land the helicopter.
|
| issn |
1560-9189 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/168763 |
| citation_txt |
Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж / С.О. Субботін, О.В. Корнієнко, І.В. Дрокін // Реєстрація, зберігання і обробка даних. — 2018. — Т. 20, № 3. — С. 29–36. — Бібліогр.: 12 назв. — укр. |
| work_keys_str_mv |
AT subbotínso prognozuvannâčastotineperíodičnihsignalívnaosnovízgortkovihneironnihmerež AT korníênkoov prognozuvannâčastotineperíodičnihsignalívnaosnovízgortkovihneironnihmerež AT drokínív prognozuvannâčastotineperíodičnihsignalívnaosnovízgortkovihneironnihmerež AT subbotínso prognozirovaniečastotyneperiodičeskihsignalovnaosnovesvertočnyhneironnyhsetei AT korníênkoov prognozirovaniečastotyneperiodičeskihsignalovnaosnovesvertočnyhneironnyhsetei AT drokínív prognozirovaniečastotyneperiodičeskihsignalovnaosnovesvertočnyhneironnyhsetei AT subbotínso apredictionofthefrequencyofnonperiodicsignalsbasedonconvolutionalneuralnetworks AT korníênkoov apredictionofthefrequencyofnonperiodicsignalsbasedonconvolutionalneuralnetworks AT drokínív apredictionofthefrequencyofnonperiodicsignalsbasedonconvolutionalneuralnetworks |
| first_indexed |
2025-11-26T13:28:01Z |
| last_indexed |
2025-11-26T13:28:01Z |
| _version_ |
1850622971185463296 |
| fulltext |
ISSN 1560-9189 , , 2018, . 20, 3 29
004.93
. . 1, . . 1, . . 2
1
. , 64, 69063 ,
2 « »
, 15, 69068 ,
-
. -
.
-
. ,
, -
.
.
: , , , ,
, , .
,
, -
.
’ . -
, -
, -
, , ,
,
( ).
,
[1]. -
[2, 3],
, -
© . . , . . , . .
. . , . . , . .
30
, -
, , , -
. .
. -
[1, 4, 5].
,
[6], -
. -
. , ,
[7].
-
.
, ,
. « » -
15 7200 .
. 1.
. 1.
,
. -
, ,
, .
, ,
10 — ,
.
.
-
[8]. 10 , -
. . 2 -
.
. 2 , -
. .
, 20 % .
ISSN 1560-9189 , , 2018, . 20, 3 31
. 2.
20 . -
Z = 71237 -
. -
’ [9], . -
P = 12 ,
( . 3).
. 3.
D Z P , D = 15 — ,
, .
P U. 0 1 -
, , S
T. . 4 .
D P . U
, T - , S
.
. 4.
. . , . . , . .
32
Z – U – S – T + 1 , -
— U D P .
-
. ,
, —
( , 3 RGB) [10]. , -
, ,
.
,
’ . . 5. -
[10]. ’
, [11].
. 5.
-
[12] [7]. -
,
. -
E,
2
1
( )
N
i i
i
E R M ,
Ri — yi; Mi —
yi, , i = 1, ..., Y, Y — -
.
ISSN 1560-9189 , , 2018, . 20, 3 33
.
. <x, y> -
. ( -
) [–0,1; 0,1]. :
( ) Epo hs = 0, ( ) Max-
Epochs, .
. Epo hs = 0, 1, …, MaxEpochs,
MaxEpochs — , -
-
.
[10].
i- , i = 1,2,…Str, Str
— . -
.
, , , , , , , , , ,
=0 =0 =0 =0
=
H M N K
i j l i m j n k h m n k h l h l
h m n k
O In F B , l = 0, ..., L, i = 0,..., I, j = 0,..., J,
O — ; In — ; H — ;
M — ; N — ; K — ( )
; L — , I —
; J — ; F — ; B — ; —
max(0, x).
’
, ,0
0
H
i h i h i
h
O In w w , i = 0, ..., I,
H — ’ ; I —
’ ; w ={wi,h} — ; wi,h — h- i-
’ ; — .
E.
:
2( ) (1 )i i i iG O R O , i = 0, ..., I,
I — ; O — ; R —
; G — .
-
Tanh( )
x x
x x
e ex
e e
,
21 Tanh( )x , O
— Tanh(x).
’
. . , . . , . .
34
2
,
0
(1 )
J
i j i j i
j
G Gr w O , i = 0,..., I, j = 0,..., J,
I — ; J — -
; Gr — ; G —
; O — ; w —
.
’ , -
:
2
, , , , , , , , , , , , ,
0 0
(1 )
M N
i c j a k b m n j k i c m a b i c j a k b
m n
G Gr F O ,
i = 0,..., I, c = 0,..., C, j = 0,..., J, a = 0,..., A, k = 0,..., K, b = 0,..., B,
I — ; C —
; J — ; A — ; K —
; B — ; M —
; N — ; Gr — -
; G — ; O — -
; F — ( )
.
-
.
, , , , , , , , , , , , , ,
=0 =0 =0
QV P
i j k m n i j k m n i k p m q n j v p q
v p q
F F O G ,
i = 0,..., I, j = 0,..., J, k = 0,..., K, m = 0,..., M, n = 0,..., N,
I — ; J —
; K — ; M — ; N —
; V — ; P —
; Q — ; G —
; O — ; F —
( ) .
’ -
, ,i j i j i jw w O G , i = 0,..., I, j = 0,..., J,
I — ; J — -
; G — ; O — ; w —
.
-
C#, -
.
ISSN 1560-9189 , , 2018, . 20, 3 35
5
. -
:
1) , — 10;
2) ( — 3×1);
3) , — 15;
4) ( — 2×1);
5) , — 20;
6) ( — 2×1);
7) ’ ;
8) .
.
.
. 1 , -
.
1.
U S T
1
3
5
1 600 300 300 10×15×12 8×1×1 6×1×1 50
2 900 300 600 13×15×12 7×1×1 6×1×1 100
3 1200 600 600 10×15×12 8×1×1 6×1×1 120
4 1500 600 900 16×15×12 10×1×1 4×1×1 150
5 1800 900 900 10×15×2 8×1×1 6×1×1 150
. 2 . -
: P . — ; Positive — -
, ; Negative — ,
; True —
; False — . -
, .
2.
True positive False positive True negative False negative P .
1 37,2 % 0,3 % 58,9 % 3,5 % 3,8 %
2 46,4 % 0,7 % 48,9 % 4,0 % 4,7 %
3 50,1 % 49,2 % 0,4 % 0,4 % 49,6 %
4 0,0 % 0,0 % 43,5 % 56,5 % 56,5 %
5 0,0 % 0,0 % 43,3 % 56,7 % 56,7 %
. 1 2 , T
-
.
. 2 , 3–5,
5 , , , -
. . , . . , . .
36
. -
1 2, 5 10 -
, .
-
-
.
.
, -
, -
,
-
.
,
, -
, -
-
.
, , -
.
1. . ., . . . : , 2006.
2. Walter Enders. Applied Econometric Time Series. 2nd d. Wiley, 2004.
3. . . . - : - , 2011.
4. . : . : , 2006.
5. Bishop C.M. Pattern recognition and machine learning. Heidelberg: Springer, 2006.
6. Goodfellow Ian, Bengio Yoshua, Courville Aaron. Deep Learning (Adaptive Computation and
Machine Learning series). The MIT Press, 2016.
7. Nielsen Michael A. Neural Networks and Deep Learning. Determination Press, 2015.
8. . URL: https://habr.com/company/
smartengines/blog/264677
9. Fast Fourier transform. URL: https://en.wikipedia.org/wiki/Fast_Fourier_transform
10. CS231n: Convolutional Neural Networks for Visual Recognition. URL: http://cs231n.github.io
11. Rashid Tariq. Make Your Own Neural Network. CreateSpace Independent Publishing
Platform, 2016.
12. Bertsekas D.P. Convex Optimization Theory. Athena Scientific, 2009.
09.08.2018
https://habr.com/company/
https://en.wikipedia.org/wiki/Fast_Fourier_transform
http://cs231n.github.io
|