การประยุกต์ใช้โครงข่ายประสาทเทียมกับการแปลงฟูเรียร์แบบเร็ว สำหรับวิเคราะห์และแยกแยะสัญญาณรูปคลื่นไฟฟ้า
Main Article Content
บทคัดย่อ
งานวิจัยนี้เป็นการนำเสนอวิธีการวิเคราะห์ และแยกแยะสัญญาณรูปคลื่นไฟฟ้า โดยการประยุกต์ใช้หลักการและทฤษฎีโครงข่ายประสาทเทียมแบบมีผู้สอน โดยใช้ข้อมูลที่ผ่านกระบวนการแปลงฟูเรียร์แบบเร็วเป็นข้อมูลสำหรับกระบวนการฝึกหัดและทดสอบของโครงข่าย โดยมีข้อมูลนำเข้า 3 ตัวแปร และผลลัพธ์ 1 ตัวแปร จากการทดลองหาจำนวนโหนดในชั้นซ่อน เพื่อหาค่าความคลาดเคลื่อนกำลังสองเฉลี่ยในการวิเคราะห์ข้อมูลสัญญาณที่เหมาะสมที่สุด ด้วยการเรียนรู้ของโครงข่ายประสาทเทียมแบบแพร่ค่าย้อนกลับ ร่วมกับฟังก์ชันการฝึกหัดแบบ TrainLM และฟังก์ชันการเรียนรู้แบบ LearnGDM พบว่าโครงข่ายประสาทเทียมที่ดีที่สุด ประกอบด้วยจำนวนโหนดในชั้นข้อมูลนำเข้า จำนวนโหนดในชั้นซ่อน และจำนวนโหนดในชั้นแสดงผลเท่ากับ 3-40-1 ตามลำดับ รูปแบบฟังก์ชันการถ่ายโอนในชั้นซ่อนและชั้นแสดงผลคือ Logsig และ Purelin ตามลำดับ กระบวนการฝึกหัดค่าความคลาดเคลื่อนกำลังสองเฉลี่ยของรูปแบบที่เหมาะสมเท่ากับ 1.45E-08 และของกระบวนการทดสอบเท่ากับ 1.54E-08 ซึ่งให้ค่าอัตราส่วนของดัชนีประสิทธิภาพในกระบวนการทดสอบสูงที่สุด ระดับของสัญญาณรบกวนที่เพิ่มเข้าไปเพื่อทดสอบประสิทธิภาพของวิธีที่นำเสนอเป็นที่น่าพอใจอยู่ระหว่างไม่เกินร้อยละ 5 ของข้อมูลนำเข้า จากการทดสอบจะเห็นได้ว่าวิธีที่นำเสนอของโครงข่ายประสาทเทียมสามารถประยุกต์ใช้ในการจดจำรูปแบบข้อมูลสัญญาณ เพื่อใช้ในการวิเคราะห์และการแยกแยะสัญญาณรูปคลื่นไฟฟ้าระหว่างสัญญาณดีกับเสียได้
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] N. Pecharanin, M. Sone, and H. Mitsui, “An application of neural network for harmonic detection in active filter,” in Proceedings Neural Networks, IEEE World Congress on Computational Intelligence, vol. 6, no. 684, pp. 3756, 1994.
[3] K. Kittisak and J. Somchat, “The use of power quality to forecast reliability in the pea’s distribution system using artificial neural networks,” Journal of King Mongkut’s University of Technology North Bangkok, vol. 20, no. 1, pp. 4, January–April 2010.
[4] I. Porramate and J. Somchat, “Application of artificial neural network in optimal power flow,” Journal of King Mongkut’s University of Technology North Bangkok, vol. 18, no. 2, pp. 10, May–August 2008.
[5] K. Apichit, C. Jirasak and Y. Surapan, “Real time ecg compression/decompression system with multirate digital signal processing,” Thesis of King Mongkut’s University of Technology North Bangkok (Medical Instrumentation), pp. 6–7, 2006.
[6] J. Arrillaga, B. C. Smith, N. R. Watson, and A. R. Wood, Power System Harmonic Analysis. John Wiley & Sons, 1997, pp. 7–31.
[7] T. Dech and M. Phayung, “Ensemble data classification based on decision tree, artificial neuron network and support vector machine optimized by genetic algorithm,” Journal of King Mongkut’s University of Technology North Bangkok, vol. 21, no. 2, pp. 4, May–August 2011.
[8] H. C. Lin, “Intelligent neural network based dynamic power system harmonic analysis,” in Proceedings Power System Technology, PowerCon, vol. 1, no. 21–24, pp. 244–248, Nov. 2004.
[9] R. Rojas, Neural Network: A Systematic Introduction. Berlin: Springer-Verlag Berlin Heidelberg., 1996.
[10] S. Narimol and J. Somchat, “Short-term load forecast using artificial neural networks,” Journal of King Mongkut’s University of Technology North Bangkok, vol. 16, no. 2, pp. 2, April–June 2006.
[11] T. Chanwit and T. Sirivit, “Fault detection and protection of induction motor using artificial neural network,” King Mongkut's University of Technology North Bangkok, vol. 23, no. 1, pp. 4, January–April 2013.
[12] K. Adisorn, L. Panida, and N. Ariya, “An artificial neural network with technical indicators for stock investment: application to the stock exchange of thailand,” Information Technology Journal, vol. 11, no. 1, January–June 2015.
[13] H. Demuth and M. Beale, Neural Network Design, March 2001.
[14] T. Supakrit and J. Somchat, “Electric field estimation of high voltage transmission line using artificial neural networks,” King Mongkut’s University of Technology North Bangkok, vol. 20, no. 3, September–December 2010.
[15] K. Chanchai, T. Chanwit, S. Suriyotai, and T. Sirivit, “Fault detection and protection of Three-phase transformer using artificial neural network,” King Mongkut’s University of Technology North Bangkok, vol. 23, no. 1, pp. 7, January–April 2013.
[16] M. H. Beale, M. T. Hagan, and H. B. Demuth, Neural Network Toolbox, User’s Guide, The Mathworks, January 1998.