Anna DOMAŃSKA - Uniwersytet Zielonogórski
Transkrypt
Anna DOMAŃSKA - Uniwersytet Zielonogórski
Materiały X Konferencji Naukowej SP 2014 Łukasz SOBOLEWSKI Uniwersytet Zielonogórski Instytut Metrologii Elektrycznej BADANIA PRZYDATNOŚCI SIECI NEURONOWEJ TYPU GRNN DO PROGNOZOWANIA POPRAWEK DLA SKALI CZASU UTC(PL) W pracy przedstawiono wyniki badań prognozowania poprawek dla krajowej skali czasu UTC(PL) z zastosowaniem sztucznej sieci neuronowej typu GRNN, dla trzech sposobów przygotowania danych uczących. Prognozowanie poprawek wykonano na 15 dzień miesiąca dla 5 kolejnych miesięcy, począwszy od stycznia 2008 roku (MJD 54479) do maja 2008 roku (MJD 54599). Otrzymane wyniki badań wskazują, że sieci neuronowe typu GRNN nie mają dobrych właściwości w zastosowaniu do prognozowaniu poprawek dla UTC(PL). RESEARCH OF THE GRNN NEURAL NETWORK SUITABILITY FOR PREDICTING THE CORRECTIONS FOR THE UTC(PL) TIMESCALE In this paper were presented the results of predicting the corrections for the national time scale UTC(PL) using GRNN neural networks for three methods of training data preparation. Prediction of the corrections was made on the 15th day of the month for 5 consecutive months from January 2008 (MJD 54479) to May 2008 (MJD 54599). The obtained research results show that the GRNN neural network does not have good properties in the application for predicting the corrections for the UTC(PL). 1. WPROWADZENIE Polska skala czasu UTC(PL) jest lokalną realizacją uniwersalnej skali czasu znanej pod nazwą czasu koordynowanego UTC. UTC(PL) jest realizowana w Głównym Urzędzie Miar (GUM) za pomocą cezowego zegara atomowego typu 5071A o wewnętrznym akronimie Cs2 oraz urządzenia sterującego Microstepper Austron 2055, które umożliwia wprowadzanie poprawek w celu zapewnienia jak największej zgodności UTC(PL) z UTC. Poprawki dla UTC(PL) są wyznaczane przez Międzynarodowe Biuro Wag i Miar (BIPM) i publikowane w biuletynie „Circular T” około 10 dnia następnego miesiąca. Ze względu na opóźnienie publikacji biuletynu „Circular T” utrzymanie jak najlepszej zgodności UTC(PL) z UTC może być rozwiązane tylko na drodze prognozowania poprawek [1]. Instytut Metrologii Elektrycznej Uniwersytetu Zielonogórskiego, przy współpracy z GUM, prowadzi prace nad zastosowaniem sieci neuronowych do prognozowania poprawek dla UTC(PL). Dotychczasowe wyniki badań wskazują na możliwość zastosowania do tego celu sieci neuronowych typu MLP, RBF oraz GMDH [2, 4, 5]. Najlepsze wyniki otrzymano dla sieci neuronowych typu GMDH oraz RBF [2]. Sieci neuronowe typu GRNN (ang. General Regression Neural Networks) są zbliżone w swojej budowie do sieci neuronowych typu RBF. Analogicznie jak w przypadku sieci RBF pierwsza warstwa ukryta sieci GRNN zbudowana jest z neuronów radialnych [6]. Te fakty zadecydowały o wyborze sieci GRNN do realizacji zadania prognozowania poprawek dla krajowej skali czasu UTC(PL). W artykule zaprezentowano wyniki badań umożliwiające określenie przydatności zastosowania sieci neuronowych GRNN do prognozowania poprawek dla polskiej skali czasu UTC(PL). Łukasz Sobolewski 2 ______________________________________________________________________________________ 2. PRZYGOTOWANIE DANYCH Prognozowanie w oparciu o sieci neuronowe wymaga przeprowadzenia procesu ich uczenia, którego jakość zależy od liczby danych uczących i sposobu ich przygotowania [3]. Podstawą przygotowania danych wejściowych dla sieci neuronowej GRNN były historyczne dane pomiarowe zegara Cs2, za okres od 1 stycznia 2006 roku, dzień MJD 53736 (ang. Modified Julian Date) do końca maja 2008 roku (MJD 54599), oraz wyznaczone na każdy dzień wartości poprawek UTC(PL) względem UTC. Dane wejściowe dla sieci neuronowej GRNN, nazywane czasem fazowym i charakteryzujące niestabilność czasową zegara na każdy dzień w odniesieniu do UTC, obliczono na podstawie zależności: x(t ) xa (t ) xb (t ) UTC zegar , (1) gdzie: xa (t ) UTC ( PL) zegar – wyniki pomiaru czasu fazowego pomiędzy UTC(PL) a zegarem atomowym realizującym czas UTC(PL), xb (t ) UTC UTC ( PL) – poprawki określone przez BIPM dla UTC(PL). Otrzymany zbiór danych x(t) jest szeregiem czasowym sc1, na podstawie którego przeprowadzono proces uczenia sieci neuronowej i prognozowanie wartości poprawek. Podobnie jak dla sieci MLP, RBF oraz GMDH [2, 4, 5] przygotowano również drugi szereg czasowy (sc2). Jego końcową postać otrzymano dokonując eliminacji trendu długoterminowego zmian czasu fazowego xr(t) opisanego równaniem regresji liniowej xr t a0 a1 t . (2) Dla celów procesu uczenia sieci neuronowej i prognozowania wartości poprawek przyjęto, że wyrazy szeregu czasowego (sc2) stanowią wartości odchyleń od trendu, określone jako: xd (t ) x(t ) xr (t ) . (3) 3. WYNIKI BADAŃ Prognozowanie poprawek dla krajowej skali czasu UTC(PL) wykonano na 15-ty dzień miesiąca, dla 5 kolejnych miesięcy od stycznia 2008 (MJD 54479) do maja 2008 (MJD 54599). W wybranym okresie czasu zegar Cs2 w stosunku do UTC wykazywał największe odchylenia od trendu, co mogło wpłynąć na wartości prognozowanych poprawek. W sieci neuronowej GRNN zastosowano metodę regresji, a na jej wejście wprowadzano dane wejściowe przygotowane na bazie dwóch szeregów czasowych sc1 (bez eliminacji trendu opisanego równaniem regresji liniowej) oraz sc2 (z eliminacją tego trendu). a. Prognozowanie poprawek dla UTC(PL) na podstawie szeregu czasowego sc1 W trakcie badań na wejście sieci GRNN był podawane dane uczące przygotowane na podstawie szeregu czasowego sc1. W procesie prognozowania wyznaczano wartość prognozy jako: xp(t0+m) = (UTC – zegar)p, gdzie: t0 – ostatni dzień miesiąca poprzedzającego prognozę, m – 15-ty dzień miesiąca, dla którego wyznaczano prognozę. (4) Badania przydatności sieci neuronowej typu GRNN do prognozowania poprawek dla skali czasu UTC(pl) 3 ______________________________________________________________________________________ W kolejnym kroku, na podstawie zależności (1) i znając wartość xp(t0+m) i xa(t0+m), obliczono prognozę poprawki w następujący sposób: xbp = xp(t0+m) – xa(t0+m) = (UTC – UTC(PL))p. (5) Wyrażenie (5) umożliwia korygowanie UTC(PL) w taki sposób, aby zapewnić jak najlepszą zgodność UTC(PL) z UTC. Jakość prognozy określano wyznaczając błąd prognozy Δp zgodnie z kolejną zależnością: p (UTC UTC ( PL)) p (UTC UTC ( PL)) CIRT , (6) będącą różnicą pomiędzy prognozowaną wartością (UTC – UTC(PL))p, a jej wartością odczytaną z biuletynu „Circular T” (UTC – UTC(PL))CIRT dla tego samego dnia prognozy. Otrzymane błędy prognozy Δp mają w tym przypadku bardzo duże wartości (od kilkudziesięciu do kilkuset ns). Oznacza to, że sieć neuronowa GRNN dla tak przygotowanych danych wejściowych nie zapewnia poprawnego procesu prognozowania poprawek dla UTC(PL). b. Prognozowanie poprawek dla UTC(PL) na podstawie szeregu czasowego sc2 Dla danych wejściowych przygotowanych na podstawie szeregu czasowego sc2 prognozowano wartości poprawek dla UTC(PL) na dwa sposoby. Pierwszy sposób zakładał wykorzystanie w danych wejściowych wartości odchyleń xd(t) oraz dwóch współczynników a1 i a0, będących współczynnikami prostej regresji (2). W drugim przypadku, oprócz wartości odchyleń xd(t), do zbioru danych dodano tylko wartości współczynnika a1 prostej regresji. W obu przypadkach, stosując sieć neuronową GRNN, wyznaczano w pierwszym kroku wartość prognozy odchylenia od trendu xdp(t0 + m), którą dodawano do prognozy trendu wyliczonej na podstawie równania regresji (2). Otrzymany wynik stanowi poszukiwaną wartość prognozy (UTC – zegar)p. Dalsze obliczenia zmierzające do wyznaczenia wartości prognozy poprawki i błędu prognozy prowadzono podobnie jak dla szeregu czasowego sc1. Na rys.1 przedstawiono błędy prognozy otrzymane dla danych wejściowych przygotowanych na podstawie szeregu czasowego sc2 dla dwóch rozważanych przypadków. Zestawiono je z wynikami otrzymanymi w GUM przy użyciu analitycznej metody regresji liniowej [1]. Przedstawione na rysunku 1 wyniki badań wskazują, że wyznaczanie prognozy poprawek dla UTC(PL) w oparciu o metodę regresji dla sieci neuronowej typu GRNN, dla danych wejściowych powstałych na bazie szeregu czasowego sc2, jest korzystniejsze niż dla szeregu sc1. Natomiast wprowadzenie do danych wejściowych współczynnika regresji liniowej a0 w niewielkim stopniu wpływa na końcowy wynik prognozy. Dla pierwszego przypadku przygotowania danych wejściowych, tj. z zastosowaniem współczynnika a1 oraz a0, maksymalny błąd prognozy osiągnął wartość +12,14 ns. Dla drugiego przypadku, gdzie został użyty tylko współczynnik a1, maksymalny błąd prognozy osiągnął wartość +12,95 ns. Maksymalny błąd prognozy otrzymany za ten sam okres w GUM, przy zastosowaniu analitycznej metody regresji liniowej do prognozowania poprawek dla UTC(PL), jest zbliżony wartością do maksymalnego błędu prognozy dla pierwszego przypadku przygotowania danych wejściowych dla sieci neuronowej GRNN. Łukasz Sobolewski 4 ______________________________________________________________________________________ Rys. 1. Błędy prognozy otrzymane dla danych wejściowych przygotowanych na podstawie szeregu czasowego sc2 dla dwóch rozważanych przypadków i zestawiono je z wynikami otrzymanymi w GUM. Fig. 1. Prediction errors obtained for training data based on time series sc2 for two cases compared with the results obtained in the GUM. 4. PODSUMOWANIE Z przeprowadzonych badań nad prognozowaniem poprawek dla krajowej skali czasu UTC(PL) w oparciu o sieci neuronowe typu GRNN wynika, że otrzymane wartości błędu prognozy są niewiele korzystniejsze od błędów otrzymanych w Głównym Urzędzie Miar z zastosowaniem analitycznej metody regresji liniowej. Uwzględniając powyższe wyniki badań oraz długi czas otrzymywania wyniku prognozy poprawki dla UTC(PL) należy stwierdzić, że sieci neuronowe typu GRNN nie są wystarczająco dobre do stosowania w prognozowaniu poprawek dla krajowej skali czasu UTC(PL). Znacznie korzystniejsze wyniki badań nad prognozowaniem poprawek dla UTC(PL) otrzymano wykorzystując sieci neuronowe typu GMDH oraz RBF [2, 5]. LITERATURA 1. 2. 3. 4. 5. 1. Czubla A., Konopka J., Nawrocki J.: Realization of atomic SI second definition in context UTC(PL) and TA(PL); Metrology and Measurement Systems, No. 2, 2006, pp. 149-159. Luzar M., Sobolewski Ł., Miczulski W., Korbicz J., Prediction of corrections for the Polish time scale UTC(PL) using artificial neural networks, Bulletin of the Polish Academy of Sciences: Technical Sciences 2013, Vol. 61, no. 3, s. 589-594. Masters T., Practical neural networks recipes in C++. Academic Press, Inc., 1993. Miczulski W., Cepowski M., Wpływ typu sieci neuronowej i sposobu przygotowania danych na wynik prognozowania poprawek UTC - UTC(PL), Pomiary Automatyka Kontrola, nr. 11, 2010, s. 1330-1332. Miczulski W., Sobolewski Ł., Influence of the GMDH neural network data preparation method on UTC(PL) correction prediction results, Metrology and Measurement Systems 2012, Vol. 19, no 1, s. 123-132. Rutkowski L., New Soft Computing Techniques for System Modelling, Pattern Classification and Image Processing, Springer-Verlag, Berlin Heidelberg, 2004.