Разработка мультисенсорной системы на основе методов искусственного интеллекта для определения некоторых токсикантов в воздухе

Описание, структура мультисенсорной системы и циклов разработки электронного носа для определения алифатических и ароматических углеводородов, нитроуглеводородов на тонких пленках пьезосенсора. Вычисление и оценка средней относительной ошибки обучения.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 22.08.2020
Размер файла 225,3 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Разработка мультисенсорной системы на основе методов искусственного интеллекта для определения некоторых токсикантов в воздухе

Калач А.В., Ситников А.И., Перегудов А.Н.

Современный анализ оперирует большим многообразием устройств и приемов, позволяющих за считанные минуты получить информацию о качественном и количественном составе газообразных и жидких сред. Однако при выполнении ряда практических задач достаточно получить информацию на уровне скрининга («да, нет», «содержится, не содержится») и полуколичественно оценить содержание вещества, группы близких или родственных соединений, некоторой определенной комбинации веществ в пробе. Решение таких задач осуществляется тест-методами и сенсорными устройствами различных типов. Среди последних большая часть приходится на долю устройств с преобразователем на основе пьезоэлектрических кварцевых резонаторов различной природы.

К настоящему времени практически все органы чувств человека имеют электронные аналоги, исключение составляет система обоняния, поэтому многими исследователями в мире ведется интенсивная разработка устройств, аналогичных обонятельной системе человека. Целью настоящей работы являлась разработка мультисенсорной системы типа «электронный нос» на основе искусственной нейронной для определения некоторых органических соединений разных классов (алифатические и ароматические углеводороды, нитроуглеводороды) на пленках-модификаторах пьезорезонаторов.

Для создания более чувствительного слоя пьезорезонатора была использована технология Ленгмюра-Блоджетт (ЛБ), заключающаяся в многократном переносе организованных мономолекулярных слоев с поверхности жидкой субфазы на твердую подложку. Данная технология позволяет создавать сенсорные слои, характеризующиеся высокой однородностью, взаимной направленной ориентацией молекул и их функциональных групп, а также высоким отношением активной поверхности молекулярных слоев к объему пленки, что дает возможность контролировать толщину пленки с точностью до одного молекулярного слоя и выявлять оптимальное число монослоев, обеспечивающих максимальный аналитический сигнал. Для получения ПЛБ использовали следующие соединения дифильной природы: арахиновую кислоту (АК) - классический объект технологии ЛБ, а также специально синтезированные алкилированные дифильные каликс[4] резорцинарен (КРА) и -циклодекстрин (-ЦД), являющиеся молекулами-рецепторами, способными обеспечить дополнительную селективность, благодаря взаимодействию с аналитами по механизму «гость-хозяин».

Несмотря на увеличение дифференциации откликов пьезосенсоров при корректном выборе модификаторов, добиться снижения мешающего влияния примесей на результаты определений невозможно, поэтому для повышения селективности определения и возможности одновременного детектирования нескольких соединений в воздухе применена мультисенсорная система в сочетании с компьютерной обработкой сигналов методом искусственных нейронных сетей (ИНС) и выдачей цифровой оперативной информации о содержании компонентов в газовой пробе [1].

При создании устройства, позволяющего проводить анализ веществ и материалов по запаху, в качестве базовой была использована многоуровневая нейронная семиотическая модель, описывающая механизм работы обонятельной луковицы человека. Согласно этой модели, функциональная структура обонятельной системы человека состоит из следующих трех уровней взаимодействия.

По аналогии с известной моделью предложена модель, состоящая из следующих частей:

1. Характеристика обонятельных рецепторных нейронов (I уровень модели). Результирующая выходная реакция ОР модели зависит от концентрации аналита в запаховой среде, а также от порога чувствительности обонятельного рецептора.

2. Характеристика обонятельного клубочка (II уровень модели). Обонятельный клубочек служит ключевой структурой, в которой происходит обмен данными между рецепторными нейронами и основными нейронами модели.

3. Характеристика основных нейронов (III уровень модели). Осуществляется сложное взаимодействие между различными типами основных нейронов (возбуждение и торможение соответствующих клеток, а также организация обратных связей), в результате чего нейроны приходят в состояние возбуждения или покоя.

Каждый обонятельный клубочек объединяет множество обонятельных рецепторов по входу и множество основных нейронов по выходу в единый модуль. Модули третьего уровня модели также взаимодействуют друг с другом, образуя в целом сложную нейронную сеть. Выходные сигналы модели снимаются со всех основных нейронов третьего уровня (митральных и кисточковых клеток).

Общий принцип работы модели заключается в следующем: каждый новый набор входных стимулов обонятельной среды приводит к переходу функциональной системы обонятельной луковицы в определенное сочетание возбужденных и невозбужденных основных нейронов.

Кроме того, данный переход происходит в динамике, то есть процесс обработки информации протекает во времени в определенной последовательности. Под временем понимается ряд этапов преобразования данных при прохождении их от входа к выходу модели. Работа описанной нейронной модели заключается в выполнении серии циклов, в результате которых происходит процесс самонастройки обонятельной луковицы на поступающие от рецепторных нейронов сигналы; результатом является информация о качестве аналита, его концентрации.

Руководствуясь выбранной моделью, нами сделана попытка создать электронный аналог системы обоняния человека - «электронный нос» (ЭН), схема которого приведена на рис. 1.

Пьезосенсоры осуществляют сбор первичной информации о природе и составе запаха, то есть соответствуют обонятельным рецепторным нейронам первого уровня модели. Сигналы пьезосенсоров, зависящие от чувствительности, интенсивности запаха, группируются системой сбора и передачи информации на втором уровне модели. Для многоканальной регистрации сигналов десяти пьезосенсоров в системе «электронный нос» и последующей передаче полученных данных в персональный компьютер нами использована программируемая логическая интегральная схема (ПЛИС) [2].

Для автоматического измерения частоты нескольких каналов применен метод измерения количества входных импульсов в течение опорного высокоточного временного интервала. Измерения всех каналов проводятся независимо и параллельно во времени, позволяя, таким образом, за каждый опорный временной интервал замера рассчитать значение входной частоты сигнала. В качестве элементов счета, оценки полученных значений и элементов интерфейса с ПК целесообразно применение цифровых логических элементов, что позволит реализовать устройство, сочетающее в себе высокую надежность, точность обработки данных и невысокую стоимость.

Рисунок 1. Схема «электронного носа»

На рис. 2 представлена функциональная схема устройства автоматизированного сбора данных датчиков газа.

Рисунок 2. Функциональная схема устройства автоматизированного сбора

Чувствительный элемент, в качестве которого использован кварцевый резонатор собственной резонансной частотой , включен в цепь генератора периодического синусоидального сигнала. Параметры генератора подобраны таким образом, чтобы обеспечить стабильность генерации во всем диапазоне частот колебаний кварцевого резонатора , где - максимальный сдвиг частоты колебаний под воздействием изменения состава окружающего газа.

Схема коррекции параметров сигнала обеспечивает преобразование ряда характеристик сигнала генератора в параметры, приемлемые для анализа цифровыми методами: осуществляется корректировка времени нарастания и спада сигнала с относительного времени, равного , до абсолютного значения, равного 10 - 30 нс, производится ограничение амплитуды сигнала до уровня функционирования логических CMOS-схем, осуществляется согласование выходного сопротивления генератора и входного сопротивления цифрового элемента схемы. Цифровой счетчик импульсов преобразует количество входных переходов сигнала из лог. «0» в лог. «1» в параллельный цифровой код. Количество счетчиков равно количеству генераторов сигнала, т.е. равно количеству каналов исследуемой частоты . Счет входных импульсов производится до момента прихода сигнала окончания счета с генератора опорных временных интервалов. Затем происходит одновременное обнуление всех счетчиков, а их конечные значения сохраняются в оперативной памяти устройства. Временной интервал (период) замера входной частоты каналов сбора данных определяется по формуле (1):

, (1)

где - количество измерений частоты всех каналов в секунду, , - количество опрашиваемых каналов.

Необходимая разрядность двоичного счетчика определяется из расчета максимально возможного количества входных импульсов, приходящих с генератора на время :

, (2)

где , а при дробном значение выбирается ближайшее большее целое значение.

Блок оценки корректности полученных значений анализирует данные о состоянии генераторов и датчиков температуры. Фактическое значение частоты генератора определяется по формуле (3):

, (3)

где - количество импульсов, подсчитанных счетчиком за время .

При принимается решение об отсутствии или некорректном функционировании чувствительного элемента данного канала, в противном случае значение передается через интерфейсную схему в ПК для дальнейшего анализа. Датчики температуры газового потока напрямую вырабатывают цифровой код, пропорциональный температуре газового потока на входе в устройство () и выходе из него (). В блоке оценки корректности происходит усреднение значений данных датчиков по следующей формуле: , где - усредненная температура газового потока в устройстве. Как и в случае с данными частоты, значение посредством интерфейсной схемы передается в ПК.

На рис. 3 представлена структурная схема устройства. Чувствительный элемент (кварцевый резонатор) включен в цепь генератора импульсов и представляет собой законченный формирователь импульсов с частотой, зависящей от газовой среды, окружающей чувствительный элемент. Все чувствительные элементы располагаются в один или несколько рядов на печатной плате на минимальном расстоянии друг от друга и закрываются сверху герметичным пластиковым кожухом с патрубком для входа газа с одной стороны и с патрубком для выхода - с противоположной стороны кожуха. Датчики температуры расположены на печатной плате под кожухом под входным и выходным воздушным потоком соответственно.

Буферная схема ограничения параметров сигнала выполнена на логических элементах с гистерезисом переключения, что позволило предотвратить возникновение участков нестабильности («дрожания») сигнала на цифровых входах последующей схемы. Генератор опорных временных интервалов, счетчики импульсов, память для хранения результатов счета, блок корректности полученных значений и интерфейс с ПК реализованы на базе ПЛИС, выполненной по технологии SRAM.

Рисунок 3. Структурная схема устройства

Расчетная емкость ПЛИС позволила использовать недорогие популярные кристаллы, в частности, младшие из семейств ACEX, Cyclone, производимых фирмой Altera (США).

Для нашей системы была выбрана ПЛИС (Altera) EPF10K20TC144-3, на которой и реализован 10-канальный частотомер, при этом ПЛИС предусматривает возможность расширения числа каналов измерения до 50 путем коммутации входов. Управление работой системы осуществляется от персонального компьютера по последовательному протоколу RS232. Затем общий выходной сигнал электронного носа обрабатывается на третьем уровне модели, который располагается уже в ЭВМ. Третий уровень модели обонятельной системы в «электронном носе» представлен многослойной нейронной сетью (МНС) с обучением по методу обратного распространения ошибки (back propagation). На входной слой МНС подаются результаты обработки сенсорных данных () нейронами слоя снижения размерности входного вектора.

Слой снижения размерности сигнала, поступающего на вход нейронной сети, выполняет функцию синтеза единичного вектора на основе значений трех передаваемых параметров. Это позволяет использовать облегченную модель нейронной сети и, как следствие, уменьшить время обработки и получения конечной информации.

Затем происходит процесс преобразования и передачи информации между внутренними слоями сети, сравниваются значения требуемого выходного и смоделированного сигнала системы, рассчитывается ошибка по формуле . Процесс исследования обонятельной среды завершается снятием сигнала () с выходного слоя системы и его анализа.

В созданной информационной системе устройства процессу самонастройки обонятельной луковицы соответствует обучение нейронной сети, которое проводит корректировку возбуждения основных нейронов с целью повышения их чувствительности к данному аналиту. Для этого осуществляют работу сети на некотором обучающем множестве входных векторов, для которых определены результирующе значения. При этом происходит уточнение весов связей нейронов, за счет чего достигается уменьшение полной ошибки сети, возникающей из-за рассогласования между фактическими и требуемыми значениями активности выходных элементов сети.

Результаты анализа в многокомпонентной смеси с применением полисенсорной системы, включающей обработку аналитических откликов отдельных сенсоров методом ИНС, приведены в табл.

мультисенсорный пьезосенсор углеводород электронный

Определение углеводородов (гексан - 1, нитрометан - 2, нитробензол - 3) с применением мультисенсорной системы; n = 6, P = 0,95

Введено, мг/м3

Найдено, мг/м3

Sr

1

2

3

1

2

3

1

2

3

5,0

10,0

10,5

5,50,1

9,50,1

10,00,3

1

1

3

5,0

25,0

15,0

5,30,1

23,50,3

16,00,9

2

1

5

5,0

30,5

15,0

4,90,2

32,01,5

15,50,2

3

4

1

10,0

80,0

15,0

11,50,6

80,50,9

16,51,5

5

1

8

15,0

90,0

35,0

13,80,3

91,00,9

37,02,5

2

1

6

25,0

95,5

50,0

27,00,3

94,53,0

52,02,8

1

3

5

В результате настройки и оптимизации параметров ИНС средняя относительная ошибка обучения составила 5%. Максимальные ошибки получены при малых содержаниях углеводородов в смеси и не превышают 8%.

Литература

1. Калач, А.В. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров [Текст] / А.В. Калач // Нейрокомпьютеры: разработка и применение. - 2003, №10 - 11. С. 43 - 47.

2. Калач, А.В. Разработка мультисенсорной системы «электронный нос» для имитации обоняния человека [Текст] / А.В. Калач // Нейрокомпьютеры: разработка и применение. - 2007, №7. - С. 32 - 36.

Размещено на Allbest.ru

...

Подобные документы

  • Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.

    контрольная работа [27,9 K], добавлен 07.12.2009

  • История возникновения и развития гигрометра, его виды и принцип работы. Методика разработки алгоритма автоматизированной системы определения относительной влажности помещения со стабильной точностью измерений. Работа с адресными переменными (указателями).

    курсовая работа [1,1 M], добавлен 20.01.2016

  • Описание технологического процесса выделения фракции ароматических углеводородов из бензола. Протоколы межуровневого взаимодействия интегрированной системой управления. Описание прикладного программного обеспечения, алгоритмов и интерфейса оператора.

    дипломная работа [3,8 M], добавлен 21.10.2012

  • Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

    презентация [3,0 M], добавлен 28.05.2015

  • Технология экспертных систем на основе искусственного интеллекта: разработка и внедрение компьютерных программ, способных имитировать, воспроизводить области деятельности человека, требующих мышления, определенного мастерства и накопленного опыта.

    курсовая работа [264,8 K], добавлен 22.12.2008

  • История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.

    реферат [85,7 K], добавлен 20.12.2011

  • Обзор систем дистанционного образования. Разработка электронного практикума по созданию Flash-приложений на основе системы дистанционного обучения Moodle. Общая структура электронного практикума. Построение логической модели данных информационной системы.

    дипломная работа [3,0 M], добавлен 19.01.2017

  • Разработка информационной образовательной технологии на основе системы управления обучением Moodle. Теоретические основы электронного образования и программные платформы для организации электронного обучения, преимущества и недостатки такого обучения.

    дипломная работа [1,7 M], добавлен 07.07.2012

  • История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.

    реферат [45,1 K], добавлен 20.11.2009

  • Применение методов искусственного интеллекта и современных компьютерных технологий для обработки табличных данных. Алгоритм муравья, его начальное размещение и перемещение. Правила соединения UFO-компонентов при моделировании шахтной транспортной системы.

    дипломная работа [860,8 K], добавлен 23.04.2011

  • Принципы построения и программирования игр. Основы 2-3D графики. Особенности динамического изображения и искусственного интеллекта, их использование для создания игровых программ. Разработка логических игр "Бильярд", "Карточная игра - 50", "Морской бой".

    отчет по практике [2,3 M], добавлен 21.05.2013

  • Аппаратное, сетевое, программное обеспечение предприятия. Разработка системы электронного документооборота. Последовательность создания и технология построения информационной системы. Выбор системы управления базами данных, среды разработки приложения.

    дипломная работа [1,5 M], добавлен 15.10.2013

  • Понятие искусственного интеллекта в робототехнике и мехатронике. Структура и функции интеллектуальной системы управления. Классификация и типы знаний, представление их с помощью логики предикатов. Суть семантических сетей, фреймовое представление знаний.

    курс лекций [1,1 M], добавлен 14.01.2011

  • Информационные системы: основные понятия и определения. Объекты автоматизации в системе организации. Методологические основы применения метода имитационного моделирования. Основы теории искусственного интеллекта. Имитационные модели предприятий.

    контрольная работа [24,8 K], добавлен 07.03.2009

  • Программные системы искусственного интеллекта, экспертные системы как их разновидность. Автоматизированное формирование баз знаний в формате CLIPS на основе анализа баз данных СУБД Cache. Программные средства и технологии. Описание программной системы.

    дипломная работа [5,1 M], добавлен 25.05.2012

  • Разработка на основе игры "Точки" подхода к программированию "искусственного интеллекта" в позиционных играх и возможность применения данного подхода для решения задач в области экономики, управления и других областях науки. Модель игровой ситуации.

    дипломная работа [1,5 M], добавлен 21.07.2013

  • Определения знаний и приобретения знаний человеком. Виды знаний и способы их представления. Приобретение и извлечение знаний. Визуальное проектирование баз знаний как инструмент обучения. Программное обеспечение для проведения лабораторных работ.

    дипломная работа [960,9 K], добавлен 12.12.2008

  • Концептуальные основы разработки электронного учебника на основе гипертекстовых технологий. Архитектура учебного пособия. Этапы построения электронного учебника "Информатика" и его структура. Анализ практического использования электронного учебника.

    дипломная работа [104,9 K], добавлен 02.05.2012

  • Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.

    курсовая работа [2,3 M], добавлен 23.06.2012

  • Понятие искусственного интеллекта. Представление знаний и разработка систем, основанных на знаниях. Распознавание образов и машинный перевод. Нейрокомпьютеры и сети. Экспертные системы, их структура,классификация и инструментальные средства построения.

    курсовая работа [922,1 K], добавлен 12.01.2009

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.