การเปรียบเทียบประสิทธิภาพเทคนิคนิวรอนเน็ตเวิร์ค ซัพพอร์ตเวกเตอร์แมชชีน และนิวโรฟัซซีกับการแปลงฟูเรียร์แบบเร็ว เพื่อวิเคราะห์และแยกแยะสัญญาณรูปคลื่นไฟฟ้า
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอการเปรียบเทียบประสิทธิภาพของตัวแบบทั้งสามวิธี คือ ตัวแบบที่ใช้เทคนิคจากโครงข่ายประสาทเทียม (ANN) ตัวแบบซัพพอร์ตเวกเตอร์แมชชีน (SMOreg) และตัวแบบนิวโรฟัซซีโดยใช้เทคนิคแบบ ANFIS ในรูปแบบของการจดจำเพื่อใช้ในการวิเคราะห์และแยกแยะข้อมูลสัญญาณรูปคลื่นไฟฟ้าระหว่างชุดข้อมูลสัญญาณดีกับชุดข้อมูลสัญญาณเสีย โดยหลักการในการสร้างตัวแบบที่นำเสนอทั้งสามตัวแบบจะใช้ข้อมูลที่ผ่านกระบวนการแปลงฟูเรียร์แบบเร็ว เพื่อใช้หาตัวแปรข้อมูลสำหรับกระบวนการเรียนรู้หรือฝึกหัดและทดสอบ จากการทดลองทั้งสามตัวแบบมี ANN, SMOreg และ ANFIS โดยผลลัพธ์จากการฝึกหัดค่า MSE คือ 1.45E-08, 5.60E-08, 3.32E-09 ค่า MAE คือ 8.28E-05, 4.31E-05, 3.20E-05 และค่า MAPE คือ 2.99636, 0.69080, 0.83541 ตามลำดับ และผลลัพธ์จากการทดสอบค่า MSE คือ 8.30E-09, 2.66E-07, 3.21E-09 ค่า MAE คือ 8.61E-05, 3.32E-04, 3.38E-05 และค่าร้อยละที่ได้จาก
ค่า MAPE คือ 2.5807, 10.9384, 0.8061 ตามลำดับ เมื่อนำทั้งสามตัวแบบมาเปรียบเทียบผลลัพธ์ที่ได้จากการทดสอบ พบว่าตัวแบบนิวโรฟัซซีโดยใช้เทคนิคแบบ ANFIS มีประสิทธิภาพที่ดีที่สุด โดยมีค่าความผิดพลาดโดยรวมน้อยที่สุดกว่าตัวแบบอื่น และค่าของ EI เท่ากับ 99.999993 % สูงที่สุด และผลจากการทดสอบทุกชุดข้อมูลสัญญาณสามารถแยกแยะระหว่างชุดข้อมูลสัญญาณดีกับชุดข้อมูลสัญญาณเสียได้อย่างถูกต้อง
Article Details
References
[2] Pecharanin, N., Sone, M., and Mitsui, H. (1994). An Application of Neural Network for Harmonic Detection in Active Filter. Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94). Vol. 6, pp. 3756-3760. DOI: 10.1109/ICNN.1994.374807
[3] Kittisak, K. and Somchat, J. (2010). The Use of Power Quality to Forecast Reliability in the PEA’s Distribution System Using Artificial Neural Networks. The Journal of KMUTNB. Vol. 20, No. 1, pp. 55-63
[4] Porramate, I. and Somchat, J. (2008). Application of Artificial Neural Network in Optimal Power Flow. The Journal of KMUTNB. Vol. 18, No. 2, pp. 14-23
[5] Adisorn, K., Prajuab, I., and Wutthichai, S. (8-10 March 2017). Application of Adaptive Network-Based Fuzzy Inference System with Fast Fourier Transform for Waveform Analysis and Classification. 2017 International Electrical Engineering Congress (iEECON). 8-10 March 2017, Pattaya, Thailand. DOI: 10.1109/IEECON.2017.8075886
[6] Apichit, K., Jirasak, C., and Surapan, Y. (2006). 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
[7] Jos Arrillaga, Bruce C. Smith, Neville R. Watson, and Alan R. Wood. (1997). Power System Harmonic Analysis. John Wiley and Sons. pp. 7-31
[8] Dech, T. and Phayung, M. (2011). Ensemble Data Classification Based on Decision Tree, Artificial Neuron Network and Support Vector Machine Optimized by Genetic Algorithm. The Journal of KMUTNB. Vol. 21, No. 2, pp. 293-303
[9] Lin, H. C. (2004). Intelligent Neural Network Based Dynamic Power System Harmonic Analysis. International Conference on Power System Technology, 2004. PowerCon 2004. Vol. 1, pp. 244-248. DOI: 10.1109/ICPST.2004.1460000
[10] R. Rojas. (1996). Neural Network: A Systematic Introduction. Springer. Berlin: Springer-Verlag Berlin Heidelberg.
[11] Narimol, S. and Somchat, J. (2006). Short-term Load Forecast using Artificial Neural Networks. The Journal of KMUTNB. Vol. 16, No. 2, pp. 37-42
[12] Chanwit, T. and Sirivit, T. (2013). Fault Detection and Protection of Induction Motor Using Artificial Neural Network. The Journal of KMUTNB. Vol. 23, No. 1, pp. 42-51
[13] Adisorn, K., Panida, L., and Ariya, N. (2015). An Artificial Neural Network with Technical Indicators for Stock Investment: Application to the Stock Exchange of Thailand. Information Technology Journal. Vol. 11, No. 1, pp. 53-63
[14] J.-S.R. Jang and Chuen-Tsai Sun. (1995). Neuro-Fuzzy Modeling and Control. Proceedings of the IEEE. Vol. 83, Issue 3, pp. 378-406. DOI: 10.1109/5.364486
[15] Nunthakorn, C., Panida, L., and Ariya, N. (2015). A Neuro-Fuzzy with DCA and VA for Stock Investment: Application to the Stock Exchange of Thailand. Information Technology Journal. Vol. 11, No. 1, pp. 64-73
[16] Shevada, S. K., Keerthi, S. S., Bhattacharyya, C., and Murthy, K. R. K. (2000). Improvements to the SMO Algorithm for SVM regression. IEEE Transactions on Neural Networks. Vol. 11, NO. 5, pp. 1188-1193. DOI: 10.1109/72.870050