Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики

Размещено на http://www.allbest.ru/

Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики

Калач А.В., Киселев А.А., Перегудов А.Н.

Применение мультисенсорных систем в газовом анализе позволяет с известной точностью получать информацию о составе и концентрации отдельных компонентов сложных смесей. Селективность каждого сенсора не имеет решающего значения, напротив, важно, чтобы такие сенсоры характеризовались перекрестной чувствительностью. Выходные аналитические сигналы обрабатывают методами распознавания «визуальных образов», при этом качественно и количественно оценивают присутствующие в анализируемом образце компоненты. Такой способ обработки аналитических сигналов эффективнее, чем цифры, передает информацию, содержащуюся в полученных экспериментальных данных. Визуальная опознавательная способность человека - самая совершенная система обработки информации, которая когда-либо существовала.

Как правило, задача обработки данных решается в 4 последовательных стадии: предварительная обработка, выделение отличительных признаков, классификация и принятие решения. Далее по предварительно математически обработанным выходным аналитическим сигналам сенсорных устройств идентифицируют отдельные компоненты сложной смеси. Для количественного определения сенсорную систему предварительно градуируют, выходные аналитические сигналы сопоставляют с градуировочными образцами.

«Визуальный образ» мультисенсорной системы представляет собой контурную диаграмму с характерным профилем, индивидуальным для каждого вещества или многокомпонентной смеси. На диаграмме приводятся сигналы сенсоров при их непрерывном измерении. Число осей диаграммы равно количеству опрашиваемых сенсоров в матрице. Такой подход имеет следующие преимущества: возможность фиксировать изменения аналитического сигнала каждого сенсора независимо от остальных сенсоров; получать «визуальный образ» системы в любой промежуток времени, что сокращает продолжительность анализа и позволяет идентифицировать отдельные компоненты на ранней стадии анализа. «Визуальные образы» (рис. 1) индивидуальны для каждого соединения и остаются постоянными с изменением его концентрации.

В гомологическом ряду углеводородов профиль «визуального образа» изменяется незначительно (оценка изображений во многом инстинктивна, а глаз, как известно, может обмануть человека), возрастает вероятность принятия ошибочного решения. Поэтому для получения корректной информации о качественном и количественном составе многокомпонентной смеси требуются методы, способные обрабатывать данные без предварительного знания функциональных зависимостей между входными сигналами и выходными параметрами, т.е. методы нелинейные и непараметрические. В связи с этим особенно перспективны искусственные нейронные сети. мультисенсорный газовый нейросетевой программный

Искусственные нейронные сети (ИНС) в последние годы широко применяются для решения прикладных задач, связанных с идентификацией статических и динамических объектов, моделированием стохастических процессов, распознаванием «визуальных образов» мультисенсорных систем, классификацией, технической диагностикой и управлением.

Рисунок 1 - «Визуальные образы» бензола (I) и нонана (II), полученные с применением матрицы из 9 сенсоров, модифицированных следующими сорбентами: ПЭГСб (1); сквалан (2); апиезон-L (3); ПВП (4); -циклодекстрин (5); ПС (6); ДНФ (7); апиезон-N (8); тритон Х-305 (9)

Практическая реализация нейросетевых технологий обработки информации в настоящее время в основном осуществляется программным способом. Для облегчения их применения создано достаточно много инструментальных программных средств имитации нейронных сетей различных видов. Нами применена программа NeuroPro 0.25, реализующая обработку данных на основе искусственной нейронной сети, построенной из многослойных персептронов.

Для распознавания «визуальных образов», полученных от мультисенсорных систем, персептрон обучают на множестве «образов», поступающих по одному на его вход, и подстраивают веса до тех пор, пока для всех «образов» не будет достигнут требуемый выход (рис. 2). Цель обучения состоит в том, чтобы научить персептрон включать индикатор при поступлении на него множества входов, задающих нечетное число, и не включать при четном значении числа.

Рисунок 2 - Персептронная система распознавания «визуальных образов»

Допустим, что входные «образы» нанесены на демонстрационные карты. Каждая карта разделена на квадраты и от каждого квадрата на персептрон подается вход (рис. 2). Если в квадрате имеется линия, то на вход персептрона подается единица, если линии нет - ноль. Множество квадратов на карте задает множество нулей и единиц, которые и поступают на входы персептрона. Цель обучения состоит в том, чтобы научить персептрон включать индикатор при поступлении на него множества входов, задающих нечетное число, и не включать при четном значении числа. Вектор Х является «образом» распознаваемой демонстрационной карты. Каждая компонента (квадрат) Х - (x1, x2,…, xn) умножается на соответствующую компоненту вектора весов W (w1, w2, ..., wn), произведения суммируются. Если сумма превышает порог P, то выход нейрона Y равен единице (индикатор зажигается), если сумма меньше порога Р, то Y=0. В векторной форме операция умножения записывается в виде Y = XW. Для обучения сети «образ» Х поступает на вход и вычисляется выход Y. Если Y правилен (соответствует входному «образу»), то ничего не меняется. Однако если выход неправилен (не соответствует входному «образу»), то веса, присоединенные к входам, усиливающим ошибочный результат, модифицируются с целью уменьшения ошибки.

При этом используется следующий алгоритм обучения персептрона.

Шаг № 1: поступление вектора Х - «образа» распознаваемой демонстрационной карты на вход персептрона и расчет выхода Y.

Шаг № 2: а) если выход правильный, то переходят на шаг №1;

b) если выход неправильный и равен нулю, то добавляют все входы к соответствующим им весам;

c) если выход неправильный и равен единице, то вычитают каждый вход из соответствующего веса.

Шаг № 3: перейти на шаг 1.

С применением данного алгоритма обучения реализуется способ распознавания «визуальных образов» как многокомпонентных смесей, так и индивидуальных веществ.

Применение методологии искусственных нейронных сетей для обработки откликов сенсоров мультисенсорной системы позволяет с малой погрешностью определять углеводороды в газовых смесях. Аналогичные приемы применимы для анализа газовых смесей, состоящих из большего числа компонентов.

Литература

1. Галушкин, А.И. Теория нейронных сетей [Текст] : учеб. пособие для вузов / А.И. Галушкин. - М.: Издательское предприятие редакции журнала «Радиотехника» - ИПРЖР, 2000. - 415 с.

2. Калач, А.В. Использование искусственных нейронных сетей для прогнозирования коэффициентов распределения органических кислот [Текст] / А.В. Калач // Известия РАН. Серия химическая. - 2006. - Т. 55. - № 2. - С. 207 - 212.

Размещено на Allbest.ru