, (2.7)

а також

. (2.8)

Перетворивши (2.7) і (2.8) та підставивши їх у (2.6), отримаємо

. (2.9)

В (2.5) входить також невідоме значення . Тому для визначення введемо вимірювальний канал, створений подільником на резисторах . Напругу на лівому виводі можна визначити як суму напруги “уявної землі” , спаду напруги на фотодіоді та спаду напруги на діоді . Ця напруга буде більшою напруги “уявної землі” , тобто буде вищою від діапазону перетворення аналого-цифрового перетворювача (останній живиться від ). Тому подільник на узгоджує напруги на лівому виводі резистора з допустимою напругою . Тоді напругу на резисторі можна визначити як

. (2.10)

Звідси струм резистора можна визначити як

. (2.11)

Формули (2.2) … (2.11) визначають всі співвідношення у вимірювальній схемі проектованої інформаційно-вимірювальної системи ультрафіолетового випромінювання. Як видно з принципової схеми системи (Додаток Б), вона значно простіша за схему-прототип (Додаток А), а також споживає значно менше енергії, що важливо для систем з автономним живленням. Крім того, проектована інформаційно-вимірювальна система може забезпечити значно кращі метрологічні параметри, зокрема, вищу точність вимірювання рівня освітленості ультрафіолетовим випромінюванням та взаємозамінність сенсорів - фотодіодів. Однак для досягнення такого результату слід розробити відповідні методи підвищення точності та забезпечення взаємозамінності.

2.5 Конструкція вимірювального каналу системи

Конструктивно вимірювальний канал розроблюваної інформаційно-вимірювальної системи представляє собою малогабаритну двосторонню друковану плату з металізацією отворів. Для її конструювання спочатку необхідно вибрати елементну базу, що буде використовуватися у вимірювальному каналі.

Головним елементом вимірювального каналу інформаційно-вимірювальної системи є сенсор - ультрафіолетовий фотодіод типу ААА фірми Hamamatsu. В зв'язку з тим, що генеровані цим фотодіодом сигнали мають низький рівень, відстань між виводами фотодіода і входами операційних підсилювачів (а також іншими елементами вимірювального каналу, що підключаються до нього) повинна бути мінімальною. Для забезпечення механічної стійкості відстань між корпусом фотодіода та друкованою платою також повинна бути мінімальною. Тому використаємо двостороннє розміщення елементів на друкованій платі - з однієї сторони розмістимо сенсор (фотодіод), а з іншої - операційні підсилювачі та резистори вимірювальної схеми.

Як операційні підсилювачі доцільно використати мікросхему, яка містить два підсилювачі в одному корпусі. Це підтверджується тим, що неінвертуючий вхід одного підсилювача та інвертуючий вхід другого підсилювача підключені до сенсора, також напруги живлення обох підсилювачів підключено до одних і тих же виводів мікросхеми. Вибираємо мікросхему типу ОР177 фірми Analog Devices.

Як резистори схеми немає необхідності використовувати резистори високої точності - відхилення їх опору від номінального значення все одно будуть враховані при калібруванні вимірювального каналу. Однак їх температурна та часова зміна вплине на зростання похибки вимірювання на протязі міжкалібрувального інтервалу. Тому вибираємо резистори низької точності (дешеві), але серії, яка має малий температурний коефіцієнт та часовий дрейф. Такими є прецизійні металоплівкові резистори серії С2-29. Їх типи, що мають мале допустиме відхилення опору від номіналу доволі дорогі, але ті екземпляри, що мають велике допустиме відхилення опору від номіналу відносно дешеві. Однак сам резиситивний матеріал для всіх типів однаковий. Таким чином можна вирішити суперечність між технічними та вартісними показниками вимірювального каналу.

Форму друкованої плати вимірювального каналу вибираємо відповідною до форми корпуса сенсора ультрафіолетового випромінювання - плата повинна бути кругла, з діаметром, рівним внутрішньому діаметру корпуса сенсора (68 мм). Фотодіод повинен бути розміщений в центрі друкованої плати. Решта деталей розміщені навколо фотодіода. Креслення друкованої плати вимірювального каналу приведено в Додатку.

3. Дослідження схеми вимірювального каналу

3.1 Розрахунок елементів принципової схеми вимірювального каналу

Вихідними даними до розрахунку параметрів елементів схеми проектованих вимірювальних каналів є:

1. діапазон вихідних струмів фотодіода під час вимірювання освітленості. Для фотодіодів типу ААА фірми Hamamatsu при зміні освітленості від нуля до максимуму вихідний струм змінюється від нуля до 10 мкА;

2. діапазон зміни спаду напруги на фотодіоді від приблизно 0,5 В (при проходженні робочого струму 0,5 мА та температурі близько 20°С) до приблизно 0,8 В (при проходженні робочого струму 1 мА та температурі близько 36°С);

3. діапазон перетворення в код напруги аналого-цифрового перетворювача - від 0,1 В до 2,5 В. Мінімальна напруга 0,1 В визначається тим, що при нижчих вхідних напругах у сигма-дельта аналого-цифрових перетворювачах часом проявляється зона підвищеної нелінійності.

На першому етапі розрахунку параметрів елементів схеми вимірювального каналу визначимо необхідний коефіцієнт передачі окремих каналів вимірюваних величин:

1. Канал вимірювання струму короткого замикання. Узагальнена схема каналу подана на рисунку 2.1, у схемі принциповій вимірювального каналу інформаційно-вимірювальної системи ультрафіолетового випромінювання (рисунок 2.8) в канал вимірювання струму короткого замикання фотодіода входять наступні елементи - операційний підсилювач , резистори та конденсатор . Для початку визначимо межі коефіцієнта передачі каналу вимірювання струму короткого замикання. Вихідну напругу операційного підсилювача модна визначити згідно (2.1). А вихідну напругу каналу вимірювання струму короткого замикання фотодіода можна визначити як

. (3.1)

де - вихідний струм фотодіода ;

- опори відповідних резисторів.

Слід відзначити, що вихідна напруга операційного підсилювача може, згідно схем рисунків 2.1 і 2.8, змінюватися

a від нуля відносно „уявної” землі (+5 В відносно землі аналого-цифрового перетворювача) при нульовому вихідному струмі фотодіода ;

b до значення відносно „уявної” землі ( В відносно землі аналого-цифрового перетворювача) при зміні вихідного струму фотодіода в межах лінійності виходу операційного підсилювача . Значення добутку не повинно перевищувати 2,5 В, для того, щоби не заходити в область насичення операційного підсилювача . В такому випадку, для того, щоби узгодити вихідну напругу операційного підсилювача з вхідною напругою аналого-цифрового перетворювача коефіцієнт поділу подільника повинен бути не менше двох. Вибирати його більше трьох - недоцільно через втрату чутливості. В цих крайніх випадках напруги на виході операційного підсилювача та на виході подільника відносно землі аналого-цифрового перетворювача будуть відповідати вказаним в таблиці 3.1.

Таблиця 3.1 - Напруги в точках схеми рисунка 2.8 при різних коефіцієнтах поділу подільника

Струм	Коефіцієнт поділу	Напруга на виході	Напруга на виході
0	2	+5 В	+2,5 В
10 мкА	2	+2,5 В	+1,25 В
0	3	+5 В	+1,67 В
10 мкА	3	+2,5 В	+0,83 В

2. Канал вимірювання спаду напруги на фотодіоді . Узагальнена схема каналу подана на рисунку 2.5, у схемі принциповій вимірювального каналу інформаційно-вимірювальної системи ультрафіолетового випромінювання (рисунок 2.8) в канал вимірювання спаду напруги на фотодіоді входять наступні елементи - операційний підсилювач , резистори та конденсатор . Операційний підсилювач працює в режимі повторювача напруги (коефіцієнт підсилення одиниця) і забезпечує великий вхідний опір відносно фотодіода . Визначимо напруги в схемі при коефіцієнтах поділу подільника два і три, аналогічно до того, як це зроблено в п. 1. Результати приведено в таблиці 3.2.

Таблиця 3.2 - Напруги в точках схеми рисунка 2.8 при різних коефіцієнтах поділу подільника

Спад напруги на фотодіоді	Коефіцієнт поділу	Напруга на виході	Напруга на виході
0,5 В	2	+5,5 В	+2,75 В
0,8 В	2	+5,8 В	+2,9 В
0,5 В	3	+5,5 В	+1,83 В
0,8 В	3	+5,8 В	+1,93 В

З таблиці 3.2 видно, що варіант з коефіцієнтом поділу два не задовольняє вимоги вимірювальної схеми - напруга на виході подільника перевищує діапазон перетворення аналого-цифрового перетворювача. В той же час варіант з коефіцієнтом поділу три повністю задовольняє всі вимоги.

3. Канал вимірювання струму через фотодіод . Узагальнена схема каналу подана на рисунку 2.5, у схемі принциповій вимірювального каналу інформаційно-вимірювальної системи ультрафіолетового випромінювання (рисунок 2.8) в канал вимірювання струму через фотодіод входять наступні елементи - резистори задання струму, подільник напруги на резисторах та конденсатор . При переході з режиму вимірювання струму короткого замикання у режим неробочого ходу фотодіода перемикається перемикач , операційний підсилювач переходить в режим насичення (напруга на виході зростає майже до 9 В) і через фотодіод починає протікати струм резисторів . Струм через резистор відносно малий, адже значення опору цього резистора визначає коефіцієнт передачі вимірювальної схеми в режимі вимірювання струму короткого замикання (див. п. 1). А опір резистора можна розрахувати виходячи з необхідності задати через фотодіод струм близький до 1 мА при напрузі насичення операційного підсилювача рівній +9 В (гіпотетичний граничний випадок, коли напруга насичення операційного підсилювача рівна напрузі його живлення). За законом Ома можна записати

, (3.2)

де - напруга живлення операційного підсилювача;

- спад напруги на фотодіоді ;

- спад напруги на діоді .

Визначимо напруги в схемі при коефіцієнтах поділу подільника два і три, аналогічно до того, як це зроблено в п. 1. Результати приведено в таблиці 3.3.

Таблиця 3.3 - Напруги в точках схеми рисунка 2.8 при різних коефіцієнтах поділу подільника

Спад напруги на фотодіоді	Напруга на діоді	Коефіцієнт поділу	Напруга на виході
0,5 В	0,7 В	2	+3,1 В
0,8 В	0,7 В	2	+3,25 В
0,5 В	0,7 В	3	+2,07 В
0,8 В	0,7 В	3	+2,17 В

З таблиці 3.3 видно, що варіант з коефіцієнтом поділу два не задовольняє вимоги вимірювальної схеми - напруга на виході подільника перевищує діапазон перетворення аналого-цифрового перетворювача. В той же час варіант з коефіцієнтом поділу три повністю задовольняє всі вимоги.

Таким чином, вибираємо коефіцієнт поділу всіх подільників рівний трьом і уніфікуємо їх. Вибираємо таким чином резистори та .

Конденсатори виконують роль фільтра, тому вибираємо їх як найбільшої ємності при мінімальних габаритах. Такими є безкорпусні конденсатори поверхневого монтажу типу SMD-Cp-4-105, вибираємо . В такому випадку коефіцієнт поділу змінної складової, практично рівний коефіцієнту фільтрації, можна приблизно оцінити за формулою

, (3.3)

де - коефіцієнт фільтрації;

- реактивний опір конденсатора фільтра;

- частота завади.

Як видно з (3.3), коефіцієнт фільтрації, тобто зменшення амплітуди завади, досягає 23, тобто перевищує 20 дБ. Таке зменшення амплітуди завади не дає змоги заваді заводити вхідний підсилювач аналого-цифрового перетворювача в насичення і є в даному випадку достатнім.

3.2 Дослідження принципової схеми вимірювального каналу

Метою дослідження принципової схеми вимірювального каналу є доказ відповідності формул оброблення результату, виведених в другому розділі, дійсним значенням напруг і струмів у схемі вимірювального каналу. Дослідження принципової схеми вимірювального каналу проведемо за допомогою електронного імітатора Electronic Workbench EWB-5.12.

Для початку дослідимо канал вимірювання струму короткого замикання. Для цього складемо в середовищі Electronic Workbench EWB-5.12 принципову схему каналу вимірювання струму короткого замикання, що подана на рисунку 3.1.

Для дослідження задамо струми, генеровані фотодіодом 0, 5 і 10 мкА. В результаті отримаємо на виході напруги 1,340 В, 1,005 В; 0,6702 В відповідно, які внесемо в таблицю 3.4. Підставивши ці значення напруг у (2.3), отримаємо значення поданого на вхід схеми значення струму. Віднявши, отримаємо абсолютну похибку, яку запишемо у відповідний стовпчик таблиці 3.4.

Таблиця 3.4 - Результати моделювання каналу вимірювання струму схеми рисунка 2.8

Заданий струм фотодіода	Напруга на виході	Результат розрахунку згідно (2.3)	Абсолютна похибка
0	1,340 В	1,3414 В	1,4 мВ
5 мкА	1,005 В	1,0061 В	1,1 мВ
10 мкА	0,6702 В	0,6707 В	0,5 мВ

Як видно з результатів порівняння, отриманих в таблиці 3.4, похибка має мультиплікативний характер, її можна пояснити обмеженим вхідним опором вольтметрів при великому вихідному опорі подільника напруги. Однак похибка практично не перевищує 0,1 %, крім того, при налаштуванні схеми за допомогою взірцевих засобів, ця похибка буде частково врахована. Тому цією похибкою, порівняно з похибками взірцевих фотосенсорів (близько 1 %), можна нехтувати. Це означає, що відповідний канал схеми рисунка 2.8 є правильним, а відповідні формули оброблення результатів вимірювання коректними.

Далі дослідимо канал вимірювання спаду напруги на фотодіоді. Для цього складемо в середовищі Electronic Workbench EWB-5.12 принципову схему каналу вимірювання спаду напруги на фотодіоді, що подана на рисунку 3.2.

Рисунок 3.1 - Принципова схема каналу вимірювання струму короткого замикання



Рисунок 3.2 - Принципова схема каналу вимірювання спаду напруги на фотодіоді

Для дослідження задамо спади напруги на фотодіоді рівними 0,5 В, 0,6 В, 0,7 В і 0,8 В. В результаті отримаємо на виході напруги, які внесемо в таблицю 3.5. Порівнявши подані значення напруг з отриманими обчисленими значеннями та віднявши, отримаємо абсолютну похибку каналу вимірювання спаду напруги на фотодіоді.

Таблиця 3.5 - Результати моделювання каналу вимірювання спаду напруги на фотодіоді схеми рисунка 2.8

Заданий спади напруги на фотодіоді	Напруга на виході	Обчислене значення	Абсолютна похибка
0,5 В	134,0 мВ	134,14 мВ	0,14 мВ
0,6 В	160,8 мВ	160,92 мВ	0,12 мВ
0,7 В	187,7 мВ	187,8 мВ	0,1 мВ
0,8 В	214,5 мВ	214,63 мВ	0,13 мВ

Як видно з результатів порівняння, отриманих в таблиці 3.5, похибка має адитивний характер, її також можна пояснити обмеженим вхідним опором вольтметрів при великому вихідному опорі подільника напруги. Адитивний характер похибки можна пояснити доволі вузькими межами зміни напруги на фотодіоді. Однак похибка практично не перевищує 0,1 %, крім того, при налаштуванні схеми за допомогою взірцевих засобів, ця похибка буде частково врахована. Тому цією похибкою, порівняно з похибками взірцевих фотосенсорів (близько 1 %), можна нехтувати. Це означає, що відповідний канал схеми рисунка 2.8 є правильним, а відповідні формули оброблення результатів вимірювання коректними.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Biological sensors for solar ultraviolet radiation. Yagura T, Makita K, Yamamoto H, Menck CF, Schuch AP. Sensors (Basel). 2011;11(4):4277-94. Epub 2011 Apr 12.

2. Journal of Photochemistry and Photobiology B: Biology Volume 53, Issues 1-3, 1 November 1999, Pp. 1-6.

3. G. Ronto, S. Gaspar, A. Berces. Phage T7 in biological UV dose measurement. Journal of Photochemistry and Photobiology B Biology. DOI:10.1016/1011-1344(92)85030-X. 03/1992; 12(3), pp. 285-94.

4. E. B. Podgorsak. Radiation oncology physics: a handbook for teachers and students. Vienna: International Atomic Energy Agency, 2005. ISBN 92-0-107304-6. 696p.

5. Полупроводниковые фотоприемники: Ультрафиолетовый, видимый и ближний инфракрасный диапазоны спектра / И.Д. Анисимова, И.М. Викулин, Ф.А. Заитов, Ш.Д. Курмашев; Под ред. В.И.Стафеева. M.: Радио и связь, 1984. 216с.

6. http://ru.wikipedia.org/wiki/Радиометр

7. http://ru.wikipedia.org/wiki/Дозиметр

8. http://jp.hamamatsu.com/products/sensor-etd/pd011/C9536/index_en.html

9. http://www.hamamatsu.com/jp/en/product/category/3100/4001/4103/S1226-18BU/index.html

10. http://www.sglux.com/products_of_sglux_SiC_photodio.22.0.html?&tx_ttproducts_pi1%5Bcat%5D=10

11. http://www.sglux.com/uploads/tx_ttproducts/datasheet/UV-Surface-D_02.pdf

12. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01L-18ISO90_01.pdf

13. http://www.sglux.com/Products.2.0.html?&tx_ttproducts_pi1[cat]=7

14. http://www.uv-groebel.com/pmr_rm22.php

15. http://www.uv-groebel.com/ps1_rm11s.php

16. http://www.apogeeinstruments.co.uk/compare/50/48/49

17. http://www.apogeeinstruments.co.uk/uv-sensor-su-100/

18. http://www.gigahertz-optik.de/207-1-X1sub4sub.html

19. http://www.gigahertz-optik.de/files/radiometer_dse_x1-4.pdf

20. http://www.cureuv.com/spdiuv-control-4c-uv-radiometer.html

21. Jingjing Xie, Jo Shien Ng, and Chee Hing Tan, ”An InGaAs/AlAsSb Avalanche Photodiode With a Small Temperature Coefficient of Breakdown”, IEEE Photonics Journal. Vol. 5, No. 4, August 2013. DOI: 10.1109/JPHOT.2013.2272776. pp. 6800706-6800706.

22. T. F. Refaat and H. E. Elsayed-Ali, “Advanced atmospheric water vapor DIAL detection system,” Nat. Aeronaut. Space Admin., Langley Res. Center, Hampton, VA, USA, NASA 210 301, Jun. 2000.

23. http://www.hamamatsu.com/

24. http://www.sglux.com/

25. http://www.lasercomponents.com/

26. http://www.ams.com/eng/Products

27. http://www.hamamatsu.com/resources/pdf/ssd/s1226_series_kspd1034e08.pdf

28. http://www.hamamatsu.com/resources/pdf/ssd/s2592-03_etc_kspd1003e07.pdf

29. http://www.hamamatsu.com/resources/pdf/ssd/s4111-16r_etc_kmpd1002e07.pdf

30. http://www.hamamatsu.com/resources/pdf/ssd/s4349_kmpd1007e02.pdf

31. http://www.hamamatsu.com/resources/pdf/ssd/s5980_etc_kpin1012e04.pdf

32. http://www.hamamatsu.com/jp/en/product/category/3100/4003/index.html

33. http://www.hamamatsu.com/resources/pdf/ssd/s12023-02_etc_kapd1007e11.pdf

34. http://www.hamamatsu.com/resources/pdf/ssd/g8931-04_kapd1018e03.pdf

35. http://www.hamamatsu.com/resources/pdf/ssd/s8550-02_kapd1031e01.pdf

36. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01M-18_01.pdf

37. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01XL-5ISO90_01.pdf

38. http://www.lasercomponents.com/fileadmin/user_upload/home/Datasheets/lcd/sae-series_red-enhanced.pdf

39. http://www.lasercomponents.com/fileadmin/user_upload/home/Datasheets/lcd/ig17-series.pdf

40. О. Рощупкін. Сучасний стан і перспективи розвитку детекторів ультрафіолетового випромінювання. Науковий вісник Чернівецького університету. 2009. Випуск 438. Фізика. Електроніка.- С.122-132.

41. http://www.dexterresearch.com

42. A. Taner, J. Brignell, “Virtual instrumentation and intelligent sensors”, Sensors and Actuators A: Physical, Vol. 61, No. 1-3. 1997, pp. 427-430.

43. Mihiar Ayoubi, Rolf Isermann and Jiirgen Huber, “Identification And Supervision Of A Thermal Works With Locally Distributed Dynamics Plant Based On Multi-Layer Perceptron Net” Proceedings of the 34th Conference on Decision & Control New Orleans, LA - December 1995. pp. 1825-1830.

44. Isermann Rolf. Fault-Diagnosis Systems / Springer Berlin Heidelberg. 2006. ISBN: 978-3-540-24112-6. 475 p.

45. Eykhoff, P. System identification. John Wiley, London, 1974.

46. Isermann, R., Lachmann, K.-H.. and Matko. D. Adaptive control systems. Prentice Hall International UK, London, 1992.

47. Ljung, L. System identification - theory for the user. Prentice Hall, Englewood Cliffs, 1987.

48. Isermann, R. Mechatronic systems -fundamentals. Springer, London, 2003.

49. E. Brignell, “Digital compensation of sensors”, Scientific Instruments. Vol. 20, N 9, 1987. Pp. 1097-1102.

50. McCluney, Ross. 1994. Introduction to Radiometry & Photometry. Norwood, MA: Artech House.

51. http://www.ifac-control.org/

52. IFIP. Proc. of the IF IP 9th World Computer Congress, Paris, France, September 19-23. Elsevier, 1983;

53. Profos, P. and Pfeifeij, T. Handbuch der industriellen Messtechnik. Oldenbourg, Munchen, 1992.

54. Turchenko I. Simulation Modelling of Neural Control System for Coal Mine Ventilation / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th International Conference on Neural Networks and Artificial Intelligence (ICNNAI`2006). - 2006. - Brest (Belarus). - P. 93-98.

55. Turchenko V. Estimation of Computational Complexity of Sensor Accuracy Improvement Algorithm Based on Neural Networks / Turchenko V., Kochan V., Sachenko A. // Ed. G.Dorffner, H.Bischof, and K.Hornik // Lecture Notes in Computing Science, Springer-Verlag. - 2001. - No. 2130. - P. 743-748.

56. Auge J., Dierks K., Eichelbaum F., Hauptmann P. High-speed multi-parameter data acquisition and web-based remote access to resonant sensors and sensor arrays // Sensors and Actuators B. - 2003. - Vol. 95, No. 1-3. - Pp. 32 - 38.

57. Hohmann, H. Automatische Ьberwachung und Fehlerdiagnose an Werkzeugmaschinen. PhD thesis, Technische Hochschule, Darmstadt, 1987.

58. Bakiotis, C., Raymond, J., and Rault, A. Parameter and discriminiant analysis for jet engine mechanical state diagnosis. In Proc. of The 1979 IEEE Conf on Decision & Control, Fort Lauderdale, USA, 1979.

59. Isermann, R. Methoden zur Fehlererkennung fьr die Ьberwachung technischer Prozesse. Regelungstechnische Praxis, (9 & 10):321-325 & 363-368, 1980.

60. Isermann, R. Parameter-adaptive control algorithms - a tutorial. Automatica,18(5):513-528, 1982.

61. Isermann, R. Process fault detection on modeling and estimation methods - a survey. Automatica, 20(4):387-404, 1984.

62. Filbert, D. and Metzger, L. Quality test of systems by parameter estimation. In Proc. 9th IMEKO-Congress, Berlin, Germany, May 1982.

63. Filbert, D. Fault diagnosis in nonlinear electromechanical systems by continuous-time parameter estimation. ISA Trans., 24(3):23-27, 1985.

64. Eykhoff, P. System identification. John Wiley, London, 1974.

65. Haber, R. and Unbehauen, H. Structure identification of nonlinear dynamic systems - a survey on input/output approaches. Automatica, 26(4):651-677, 1990.

66. Isermann, R. Identifikation dynamischer Systeme. Springer, Berlin, 1992.

67. Isermann, R., Lachmann, K.-H. and Matko, D. Adaptive control systems. Prentice Hall International UK, London, 1992.

68. Lachmann, K.-H. Parameteradaptive Regelalgorithmen fьr bestimmte Klassen nichtlinearer Prozesse mit eindeutigen Nichtlinearitдten. volume Fortschr.-Ber. VDI Reihe 8. 66. VDI Verlag. Dьsseldorf, 1983.

69. Lachmann, K.-H. Parameteradaptive Regelalgorithmen fьr bestimmte Klassen nichtlinearer Prozesse mit eindeutigen Nichtlinearitдten. volume Fortschr.-Ber. VDI Reihe. 8. 66. VDI Verlag. Dьsseldorf, 1983.

70. Rivera-Mejia, J.; Carrillo-Romero, M.; Herrera-Ruiz, G., "Self-compensation to build reconfigurable measurement systems," Instrumentation & Measurement Magazine, IEEE, vol.16, no.2, doi: 10.1109/MIM.2013.6495675, April 2013, pp.10,19

71. G. Van der Horn and J. L. Huijsing, Integrated Smart Sensors Design and Calibration, Norwell, MA, USA: Kluwer Academic Publisher, ISBN 0-7923-8004-5,1998.

72. J. Schoukens, J. G. Nemeth, G. Vandersteen, R. Pintelon and P. Crama, "Linearization of nonlinear dynamics systems," IEEE Trans. Instrum. Meas., vol. 53, no. 4, pp. 1245-1248, Aug. 2004.

73. M. J. Rivera, R. G. Herrera, M. M. Chacon, P. Acosta and R. M. Carrillo, "Improved progressive polynomial algorithm for self- adjustment and optimal response in intelligent sensors," Sensors, vol. 8, pp. 7410-7427, Nov. 2008.

74. M. J. Rivera, R. M. Carrillo, and R. G. Herrera, "Quantitative evaluation of self-compensation algorithms applied in intelligent sensors," Proc 2010 IEEE International Instrumentation and Measurement Technology Conference, Austin, TX, USA. ISSN-1091- 5281/ ISBN 978-1-4244-2833-5. pp. 3-6, May 2010.

75. Derde M. P. Supervised pattern recognition: the ideal method? / Derde M. P., Massart D. L. // Analytica Chimica Acta. - 1986. - Vol. 191. - P. 1-

76. Michie D. Machine Learning, Neural and Statistical Classification / Michie D., Spiegelhalter D.J., Taylor C.C. - New York: Ellis Horwood, 1994.

77. Lavine B. K. Source Identification of Underground Fuel Spills by Pattern Recognition Analysis of High-Speed Gas Chromatograms / Lavine B. K., Mayfield H., Kromann P. R., Faruque A. // Analytical Chemistry. - 1995. - Vol. 67 (21). - P. 3846-3852.

78. Werther W. Classification of mass spectra: A comparison of yes/no classification methods for the recognition of simple structural properties / Werther W., Lohninger H., Stancl F. and Varmuza K. // Chemometrics and Intelligent Laboratory Systems. - 1994. - Vol. 22, No. 1. - P. 63-76.

79. Turchenko I. Accurate Recognition of Multi-Sensor Output Signal Using Modular Neural Networks / Turchenko I., Kochan V., Sachenko A. // International Journal of Information Technology and Intelligent Computing. - 2007. - Vol. 2, No. 1. - P. 27- 47.

80. Tou J. T. Pattern Recognition Principles / Tou J. T., Gonzalez R. C. - Reading, MA: Addison-Wesley, 1974.

81. Duda R. O. Pattern Classification and Scene Analysis / Duda R. O., Hart P. E. - New York: Wiley, 1973.

82. Bishop C. M. Neural Networks for Pattern Recognition / Bishop C. M. - New York: Oxford University Press, 1995.

83. Chtioui Y. Reduction of the size of the learning data in a probabilistic neural network by hierarchical clustering. Application to the discrimination of seeds by artificial vision / Chtioui Y., Bertrand D., Barba D. // Chemometrics and Intelligent Laboratory Systems. - 1996. - Vol. 35, No. 2. - P. 175-186.

84. Specht D. F. Probabilistic neural networks / Specht D. F. // Neural Networks. - 1990. - Vol. 3, No. 1. - P. 109-118.

85. Kohonen T. Self-organizing maps / Kohonen T. - 2nd edition. - Berlin, Springer- Verlag, 1997. - 501 P.

86. Shaffer R. E. A comparison study of chemical sensor array pattern recognition algorithms / Shaffer R. E., Rose-Pehrsson S. L., McGill A.R. // Analytica Chimica Acta. - 1999. - Vol. 384, No. 3. - P. 305-317.

87. Turchenko V. Estimation of Computational Complexity of Sensor Accuracy Improvement Algorithm Based on Neural Networks / Turchenko V., Kochan V., Sachenko A. // Ed. G.Dorffner, H.Bischof, and K.Hornik // Lecture Notes in Computing Science, Springer-Verlag. - 2001. - No. 2130. - P. 743-748.

88. Bangalore A. S. Automated Detection of Trichloroethylene by Fourier Transform Infrared Remote Sensing Measurements / Bangalore A. S., Small G. W., Combs R. J., Knapp R. B, Kroutil R. T. // Analytical Chemistry. - 1997. - Vol. 69, No. 2. - P. 118-129.

89. Daqi G. An electronic nose and modular radial basis function network classifiers for recognizing multiple fragrant materials / Daqi G., Shuyan W., Yan J. // Sensors and Actuators B. - 2004. - Vol. 97, No. 2-3. - P. 391-401.

90. Zhang H. Improving pattern recognition of electronic nose data with time-delay neural networks / Zhang H., Balaban M., Principe J. // Sensors and Actuators B. - 2003. - Vol. 96, No. 1-2. - P. 385-389.

91. Llobet E. Building parsimonious fuzzy ARTMAP models by variable selection with a cascaded genetic algorithm: application to multisensor systems for gas analysis / Llobet E., Brezmes J., Gualdrуn O., Vilanova X., Correig X. // Sensors and Actuators B. - 2004. - Vol. 99, No. 2-3. - P. 267-272.

92. Ortega A. An intelligent detector based on temperature modulation of a gas sensor with a digital signal processor / Ortega A., Marco S., Perera A., Sundic T., Pardo A., Samitier J. // Sensors and Actuators B. - 2001. - Vol. 78, No. 1-3. - P. 32-39.

93. Guo D. Application of artificial neural network technique to the formulation design of dielectric ceramics / Guo D., Wang Y., Nan C., Li L., Xia J. // Sensors and Actuators A. - 2002. - Vol. 102, No. 1-2. - P. 93-98.

94. Luo D. Application of ANN with extracted parameters from an electronic nose in cigarette brand identification / Luo D., Hosseini G., Stewart J. // Sensors and Actuators B. - 2004. - Vol. 99, No. 2-3. - P. 253-257.

95. Martin M. Application of artificial neural networks to calculate the partial gas concentrations in a mixture / Martнn M., Santos J., Agapito J. // Sensors and Actuators B. - 2001. - Vol. 77, No. 1-2. - P. 468-471.

96. Srivastava A.K. Detection of volatile organic compounds (VOCs) using SnO2 gassensor array and artificial neural network / Srivastava A.K. // Sensors and Actuators B. - 2003. - Vol. 96, No. 1-2. - P. 24-37.

97. Capone S. Analysis of CO and CH4 gas mixtures by using a micromachined sensor array / Capone S., Siciliano P., Bвrsan N., Weimar U., Vasanelli L. // Sensors and Actuators B: Chemical. - 2001. - Vol. 78, No. 1-3. - P. 40-48.

98. Hahn S. Investigation of CO/CH4 mixture measured with differently doped SnO2 sensors / Hahn S., Barsan N., Weimar U. // Sensors and Actuators B. - 2001. - Vol. 78, No. 1-3. - P. 64-68.

99. M. Bicego, G. Tessari, G. Tecchiolli, and M. Bettinelli, “A comparative analysis of basic pattern recognition techniques for the development of small size electronic nose,” Sens. Actuators B, vol. 85, pp. 137-144, 2002.

100. M.C. Lonergan, E.J. Severin, B.J. Doleman, S.A. Beaber, R.H. Grubbs, N.S. Lewis, Array-based vapor sensing using chemically sensitive carbon black-polymer resistors, Chem. Mater. 8 (1996) 1198-1312.

101. B.J. Doleman, M.C. Lonergan, E.J. Severin, T.P. Vaid, N.S. Lewis, Quantitative study of the resolving power of arrays of carbon black- polymer composites in various vapor-sensing tasks, Anal. Chem. 70 (1998) 4177-4190.

102. S. Theodoridis, K. Koutroumbas, Pattern Recognition, Academic Press, New York, 1999.

103. J. Hertz, A. Krogh, R.G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, MA, 1991.

104. D. Pantazopoulos, P. Karakitsos, A. Pouliakis, A. Iokim-Liossi, M.A. Dimopoulos, Static cytometry and neural networks in the discrimination of lower urinary system lesions, Urology 51 (1998) 946-950.

105. F. Rosenblatt, Principle of Neurodynamics: Perceptions and the Theory of Brain Mechanisms, Spartan, Washington, DC, 1962.

106. R. Battiti, G. Tecchiolli, Training neural nets with the reactive Tabu search, IEEE Trans. Neural Network 6 (5) (1995) 1185-1200.

107. I.T. Jollife, Principal Component Analysis, Springer, New York, 1986.

108. K. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd Edition, Academic Press, New York, 1990.

109. R.A. Fisher, The use of multiple measurements in taxonomic problems, Ann. Eugen. 7 (1936) 179-188. Re-printed on Contributions to Mathematical Statistics, Wiley, New York, 1950.

110. W. Zhao, Discriminant component analysis for face recognition, in: IEEE Proceedings of International Conference on Pattern Recognition, Barcelona, 2000.

111. L. Devroye, L. Gyorfi, G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer, New York, 1996.

112. D. Wettschereck, T.G. Dietterich, Locally adaptive nearest neighbor algorithms, Adv. Neural Inform. Process. Syst. 6 (1994) 184-191.

113. T. Hastie, R. Tibshirani, Discriminant adaptive nearest neighbor classification, IEEE Trans. Pattern Anal. Mach. Intell. 18 (6) (1996) 607-616.

114. http://www.neuricam.com/Neuricam/Products/totem.htm.

115. Артюков. И. Детекторы ультрафиолетового излучения // Фотоника, т. 5. 2008. с.26 - 33.

116. P.Bykovyy, V.Kochan, Y.Kinakh, A.Sachenko, O.Roshchupkin, S.Aksoy, G.Markowsky. Data communication crypto protocol for security systems sensor networks. IEEE international workshop on intelligent data acquisition and advanced computing systems: technology and applications 21-23 September 2009, Rende (Cosenza), Italy. p. 375-379.

117. V. Dorosh, O. Roshchupkin, I. Turchenko, V. Kochan, A. Sachenko. Identification method of multisensor conversion characteristics based on neural networks. // Proceedings of the International Conference TCSET'2010 X-th International Conference “Modern problems of radio engineering, telecommunications and computer science”- Lviv-Slavsko, Ukraine, 2010. - CD, A.314.

118. Рощупкін О.Ю., Дорош В. І., д. т. н. Саченко А. О., к. т. н. Кочан В. В., к. т. н. Турченко. І. В. Нейромережевий метод обробки даних калібрування багатопараметричних сенсорів // Материалы XI международной научно-практической. конференции «Современные информационные и электронные технологии» (СИЭТ-2010). - Одесса, 2010. - С.43.

119. Рощупкін О.Ю., Кочан В.В., Саченко А.О., (Україна); Патент на корисну модель № 53188 України, видано 27.09.10, бюлетень № 18; заявлено 06.04.2010, заявка № u201003999; Багатомодульна система відображення інформації з самоідентифікацією вузлів.

120. Рощупкін О.Ю., Кочан В.В., Саченко А.О., (Україна); Патент на винахід № 97173, зареєстровано 10.01.2012, бюлетень № 1. Заявлено 06.04.10, заявка № а201003905; Багатомодульна система відображення інформації з самоідентифікацією вузлів.

121. О. Рощупкін. Сучасний стан і перспективи розвитку детекторів ультрафіолетового випромінювання. Науковий вісник Чернівецького університету. 2009. Випуск 438. Фізика. Електроніка.- С.122-132.

122. О. Рощупкін. Сенсори ультрафіолетового випромінювання інформаційно -вимірювальних систем. Сучасний стан і перспективи розвитку. // Матеріали IV міжнародної науковій конференції молодих вчених «Комп'ютерні науки та інженерія 2010». (CSE-2010). - Львів, 2010. - С. 318-319.

123. О. Рощупкін. Використання нейронних мереж у 8-розрядних мікроконтролерах. // Матеріали міжнародної науково-технічної конференції молодих учених та студентів «Актуальні задачі сучасних технологій», 21-22 грудня 2010 року Тернопіль. - С. 99.

124. O. Roshchupkin, A. Sachenko, V. Kochan. Neural Processing of Multisensor Signals at the 8-bit Microcontroller. // Proceedings of the 6th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS-2011). - Prague (Czech Republic), 2011. - pp. 383-387.

125. І.В. Турченко, О.Ю. Рощупкін, В.В. Кочан. Нейромережевий метод ідентифікації характеристики перетворення мультисенсора. Науковий вісник ЧНУ. Том №2, випуск №3. Комп'ютерні системи та компоненти. - Чернівці: ЧНУ 2011. - С. 36-41.

126. Рощупкін О. Ю., Кочан В. В., Саченко А. О. Патент України на винахід № 103802. Зареєстровано 25.11.2013. Заявка № a201113840; Заявлено 24.11.2011. Спосіб ідентифікації індивідуальної функції перетворення багатопараметричного сенсора.

127. Рощупкін О. Ю., Кочан В. В., Саченко А. О. Патент України на корисну модель № 71181, зареестровано 10.07.2012. Заявлено 28.11.11, заявка № u201113963; Спосіб ідентифікації індивідуальної функції перетворення багатопараметричного сенсора.

128. Г.І Воробець, С.Л Воропаєва, Р.Д. Гуржуй, Ю.Г. Добровольський, М.А. Кузь, С.В. Мельничук, Р.В. Рогов, О.Ю. Рощупкін, Б.Г. Шабашкевич, В.Г. Юрьєв. Оптимізація апаратно - програмного забезпечення системи контролю параметрів ультра-фіолетового випромінювання // Матеріали 1-ї Всеукраїнської науково-практичної конференції “Фізико - технологічні проблеми радіотехніки пристроїв, засобів телекомунікацій, нано- та мікроелектроніки”, 13-15 жовтня - Чернівці, Чернівецький національний університет імені Юрія Федьковича, 2011 - С. 69-71.

129. Oleksiy Roshchupkin, Radislav Smid, Volodymyr Kochan, Anatoly Sachenko. Reducing the Calibration Points of Multisensors. // Proceedings of the 9th IEEE International Multi-Conference on Systems, Signals and Devices (SSD'2012). - Chemnitz (Germany), March 20 - 23, 2012. - Digital Object Identifier : 10.1109/SSD.2012.6197987., Pp. 1-6.

130. І.Д. Яковлєва, М.А. Кузь, О.Ю. Рощупкін, Ю.О. Галін, В.В. Сидорчук, О.О. Пшеничний. Апаратна реалізація модуля збору та обробки інформації телеметричного дослідницького комплексу. // Матеріали III-ї Міжнародної науково-практичної конференції «Інформаційні технології та захист інформації» (20 - 21 квітня 2012 року). Харків. 2012 - С. 194.

131. І.Д. Яковлєва, М.А. Кузь, О.Ю. Рощупкін, Ю.О. Галін, В.В. Сидорчук, О.О. Пшеничний. Апаратна реалізація модуля збору та обробки інформації телеметричного дослідницького комплексу. Тематичний збірник «Системи обробки інформації». Випуск 4 (102), том 1, с. 92-96.

132. Р. Ю. Юсипчук, А. О. Саченко, О. Ю. Рощупкін. Дослідження адаптивної нейро-нечіткої системи логічного виведення для багатопараметричного сенсора в інтелектуальному контролері. // Матеріали другої міжнародної наукової конференції студентів та молодих вчених “Сучасні Інформаційні Технології 2012”, 26 - 27 квітня 2012 р. Інститут комп'ютерних систем. - Одеса: ОНПУ, 2012. - С.7.

133. Кочан О., Васильків Н., Кочан В., Рощупкін О. Дослідження невиключеної похибки неоднорідності термоелектричного перетворювача з керованим профілем температурного поля. // Збірник праць ІХ Міжнародної науково-технічної конференції “Методи і засоби вимірювань фізичних величин” - “Температура - 2012”. 25-28 вересня 2012 року Національний університет «Львівська політехніка» Львів - с. 150-152.

134. Pavliuk D.D., Sachenko A.S., Madani K., Roshchupkin O.Y. Improved genetic algorithm for neural networks training with parallelization. // Матеріали 2-ї Всеукраїнської науково-практичної конференції “Фізико - технологічні проблеми радіотехніки пристроїв, засобів телекомунікацій, нано- та мікроелектроніки”, 25-27 жовтня - Чернівці, Чернівецький національний університет імені Юрія Федьковича, 2012 - с. 148.

135. О.Ю. Рощупкін, А.О. Саченко, В.В. Кочан Прецизійна інформаційно-вимірювальна система ультрафіолетового випромінювання Науковий вісник Чернівецького університету. Комп'ютерні системи та компоненти. 2012. Т. 3. Вип. 2. с. 97-100.

136. Roshchupkin Oleksiy, Radislav Smid, Volodymyr Kochan, Anatoly Sachenko. Multisensors Signal Processing Using Microcontroller and Neural Networks Identification. // Sensors & Transducers Journal, Vol.24, No.8, 2013, pp. 1-6.

137. А.Ю. Рощупкин, А.В. Никорак, А.А. Саченко. Усовершенствованная подсистема стабилизации и маневрирования мобильного балансирующего робота. // Материалы международной научно-практической. конференции «Современные информационные и электронные технологии» (СИЭТ-2013). 27 - 31 травня - Одесса, 2013. С. 172 - 173.

138. Nataliya Roshchupkina, Radislav Smid, Oleksiy Roshchupkin, Anatoly Sachenko, Volodymyr Kochan. Multisensors Signal Processing Using ANFIS. // Proceedings of the 7th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS-2013). - Berlin (Germany), 2013. ISBN: 978-1-4799-1426-5. pp. 315 - 318.

139. Turchenko I. Neural-based Control of Mine Ventilation Networks / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS'07). - 2007. - Dortmund (Germany). - P. 219-224.

140. Turchenko I. Neural-Based Recognition of Multi-Parameter Sensor Signal Described by Mathematical Model / Turchenko I., Kochan V., Sachenko A. // International Scientific Journal of Computing. - 2004. - Vol. 3., Issue 2. - P. 140-147.

141. Turchenko I. Neural-Network Based Method of Control Influence Forming for Section of Mine Ventilation Network / Turchenko I., Kochan V., Sachenko A. //Proceedings of the 5th International Conference on Neural Networks and Artificial Intelligence (ICNNAI'08). - 2008. - Minsk (Belarus). - P. 343 - 350.

142. Turchenko I. Recognition of MPS Output Signal Described by Different Mathematical Models / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 2005 IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS'05). - 2005. - Sofia (Bulgaria). - P. 89-94.

143. Turchenko I. Recognition of Multi-Sensor Output Signal Using Modular Neural Networks Approach / Turchenko I., Kochan V., Sachenko A. // Proceedings of the International Conference “Modern Problems of Radio-Engineering, Telecommunications and Computer Science” TCSET'2006. - 2006. - Lviv-Slavsko (Ukraine). - P. 155-158.

144. Turchenko I. Simulation Modeling of Multi-Parameter Sensor Signal Identification Using Neural Networks / Turchenko I. // Proceedings of the Second IEEE International Conference on Intelligent Systems. - 2004. - Varna (Bulgaria). - Vol. 3. - P. 48-53.

145. Turchenko I. Simulation Modeling of Neural Control System for Section of Mine Ventilation Network / Turchenko I., Kochan V., Sachenko A. // Computing. - 2006. - Vol. 5, Issue 2. - P. 106-116.

146. Turchenko I. Simulation Modeling of Neural-Based Method of Multi-Sensor Output Signal Recognition / Turchenko I., Kochan V., Sachenko A., Kochan R., Stepanenko A., Daponte P., Grimaldi D. // Proceedings of the 2006 IEEE Instrumentation and Measurement Technology Conference (IMTC/06). - 2006. - Sorrento (Italy). - P. 1530-1535.

Размещено на Allbest.ru