Главная » Электронные системы » Сравнение нейросетевой и сплайн-аппроксимации вах тэп

Сравнение нейросетевой и сплайн-аппроксимации вах тэп

Филиппов М. М. Научный руководитель: Зимин В. П. Томский политехнический университет E-Mail: YataganM@yandex. ru

В работах [1, 2] описаны исследования аппроксимации вольт-амперных характеристик термоэмиссионного преобразователя (ВАХ ТЭП) с помощью технологии искусственных нейронных сетей (ИНС). В ходе исследований получены нейросетевые модели, показывающие

Оптимальное качество аппроксимации серий ВАХ. Актуальным является вопрос сравнения качества нейросетевой аппроксимации ВАХ ТЭП с другими известными методами.

В данной работе рассмотрен вопрос сравнения качества нейросетевой и сплайн-аппроксимации [3] ВАХ. В качестве исходных данных использовались результаты модельных расчетов [4] зависимости плотности тока как функции вида, J = J (TC ,TE ,VH ) , где J (А/см2) – плотность тока

Преобразователя; TC (К) – температура

Коллектора; TE (К) – температура эмиттера,

VH (В) – выходное напряжение.

Постановка задачи аппроксимации с помощью ИНС предполагает разбиение множества исходных данных на два подмножества (обучающая и тестовая выборки), поэтому для обеспечения корректности сравнения двух методов исходные данные (594 точки) были прорежены следующим образом: из каждой кривой была удалена каждая третья точка в соответствии с рекомендациями, изложенными в [5]. Полученное множество (432 точки), представляющее собой таблицу с нерегулярной сеткой, было использовано для аппроксимации сплайнами и как обучающая выборка ИНС. После аппроксимации данного множества сплайн и ИНС были протестированы на всем множестве данных.

Сплайн-аппроксимация осуществлялась при помощи Spline Toolbox пакета Matlab [6]. Затем данные были обработаны с помощью нейронной сети с двумя скрытыми слоями при 110 нейронах в первом и 80 нейронах во втором скрытых слоях. В качестве функции обучения использовался метод обучения trainscg (алгоритм масштабируемых сопряженных градиентов) и функция активации tansig. Критериями остановки процесса обучения были достижение минимальной ошибки обучения εMin = 10-7 или достижение максимального числа эпох обучения NE = 104.

Оба метода показывают схожее качество аппроксимации исходных зависимостей, но при тестировании на всем множестве сплайн

Аппроксимация неадекватно обрабатывает данные при некоторых значения параметров (рис. 1).

Рис. 1. Сравнение результатов сплайн-аппроксимации с исходными данными при

TC = 700…1200 К, TE = 1400 … 2200 К,

VH = -0.4… 1.6 В

Этот домен продается здесь: telderi.ru, и еще много других