نشریه مهندسی برق و الکترونیک ایران الکترونیک ایران

در این مقاله، به کمک روش­های تشخیص الگو نوع خطای امپدانس بالا که می_­تواند بریده شده یا بریده نشده باشد و همچنین سطحی که خطای امپدانس بالا بر روی آن اتفاق افتاده است تشخیص داده شده است. روش­های مذکور عبارتند از: تبدیل TT و تبدیل S در بخش استخراج ویژگی، ماشین بردار تکیه گاه چند لایه و شبکه عصبی Fuzzy ART در بخش کلاسه بندی. در این روش­ها، ویژگی‌ها شامل انرژی، انحراف از معیار و انحراف مطلق از میانگین هستند که از یک پنجره داده به طول یک سیکل با استفاده از اطلاعات زمان- زمان ماتریس حاصل از تبدیل‌TT و اطلاعات زمان – فرکانسی ماتریس حاصل از تبدیلS به دست می‌آیند. سپس این ویژگی­ها به ماشین بردار تکیه گاه چند لایه و شبکه عصبی Fuzzy ART اعمال می­شوند تا نوع خطای امپدانس بالا و سطح تماس تشخیص داده شوند. نتایج حاصل از بکارگیری الگوریتم پیشنهادی بر روی داده‌های واقعی بدست آمده از آزمایش‌های عملی خطای امپدانس بالا، حاکی از آن است که ویژگی­های استخراج شده از تبدیل‌TT نسبت به تبدیل S بهتر بوده و همچنین شبکه عصبی Fuzzy ART دارای دقت بیشتری در دسته بندی در برابر ماشین بردار تکیه گاه چند لایه است.