Page Header

การประยุกต์ใช้โครงข่ายประสาทเทียมกับการแปลงฟูเรียร์แบบเร็ว สำหรับวิเคราะห์และแยกแยะสัญญาณรูปคลื่นไฟฟ้า
Application of Artificial Neural Networks with Fast Fourier Transform for Waveform Analysis and Classification

Adisorn Kamlungpetch, Prajuab Inrawong

Abstract


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

This research presents electrical signal waveforms analysis and classification by applying the principle and theory of supervised artificial neural network. The input data for training and testing the network were processed by using Fast Fourier Transform. There are three input variables and one output for the network. From the experiment to determine the number of nodes in the hidden layer in order to obtain the optimal Mean Square Errors (MSE) for analyzing signals, the back propagation learning, training function, TrainLM and learning function along with LearnGDM were used. The experimental result found that the best network consisted of the optimal number of nodes at 3-40-1, input nodes, hidden nodes and the output node respectively. The transfer functions for hidden layer and output layer were logsig and purelin function respectively. The optimal MSE of training process was 1.45E-08. The MSE of the test was 1.54E-08, which provides the highest percentage of Efficiency Index (EI) in the testing process. The noise levels were added to the input data for testing the effectiveness of the proposed method. The satisfactory noise levels were not more than 5% of the input data. From the test, it showed that the proposed artificial neural network can be used in signal pattern recognition as a means of signal fault analysis and classification.


Keywords



Full Text: PDF

DOI: 10.14416/j.kmutnb.2017.10.005

ISSN: 2465-4698