Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики

Применение мультисенсорных систем в газовом анализе. Получение информации о составе и концентрации отдельных компонентов сложных смесей. Анализ осуществления практической реализации нейросетевых технологий обработки информации программным способом.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 25.08.2020
Размер файла 97,3 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/

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

...

Подобные документы

  • Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности.

    курсовая работа [527,2 K], добавлен 28.05.2009

  • Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.

    контрольная работа [135,5 K], добавлен 30.11.2015

  • Исследование эффективности применения нейронных сетей в рамках отношений между людьми. Принцип работы с нейросимулятором. Составление обучающей выборки и проектирование персептронов. Анализ выбора супружеской пары с использованием нейросетевых технологий.

    презентация [150,8 K], добавлен 19.08.2013

  • Исследование общих сведений о медицинских экспертных системах, способных заменить специалиста-эксперта в разрешении проблемной ситуации. Обучение искусственных нейронных сетей в программе Statistica 7. Обзор программной реализации модуля кластеризации.

    дипломная работа [5,9 M], добавлен 14.06.2012

  • Теоретические основы сверточных нейронных сетей. Исследование зависимости качества работы сети от изменения различных характеристик. Сравнение результатов работы сетей типа многослойный персептрон в определении пола и возраста человека по фотографии лица.

    курсовая работа [2,5 M], добавлен 18.07.2014

  • Нейрокомпьютеры и их применение в современном обществе. Некоторые характеризующие нейрокомпьютеры свойства. Задачи, решаемые с помощью нейрокомпьютеров. Типы искусственных нейронов. Классификация искусственных нейронных сетей, их достоинства и недостатки.

    курсовая работа [835,9 K], добавлен 17.06.2014

  • Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.

    реферат [347,6 K], добавлен 17.12.2011

  • Требования, предъявляемые к свойствам систем распределенной обработки информации. Логические слои прикладного программного обеспечения вычислительных систем. Механизмы реализации распределенной обработки информации. Технологии обмена сообщениями.

    курсовая работа [506,8 K], добавлен 03.03.2011

  • Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.

    дипломная работа [3,8 M], добавлен 27.06.2011

  • Эффективность применения нейронных сетей при выборе модели телефона. История искусственного интеллекта. Сущность нейросетевых технологий, обучение нейросимулятора. Пример выбора по определенным параметрам модели сотового телефона с помощью персептрона.

    презентация [93,8 K], добавлен 14.08.2013

  • Методы организации процесса обработки информации; основные направления реализации внутримашинного информационного обеспечения. Принципы построения и эффективного применения технологий баз и банков данных как основных компонентов автоматизированных систем.

    дипломная работа [186,8 K], добавлен 30.05.2013

  • История развития, применение искусственных нейронных сетей. Распознавание образов в сети. Сжатие данных и ассоциативная память. Проектирование экспертной системы, позволяющей диагностировать заболевания органов пищеварения. Программная реализация системы.

    курсовая работа [744,0 K], добавлен 05.02.2016

  • Анализ технологий обработки информации. Построение системы защиты информации, порядок контроля за ее состоянием, определение и анализ угроз. Защита информации, которая циркулирует в системах звукоусиления. Техническая защита банковских операций.

    дипломная работа [474,0 K], добавлен 19.10.2011

  • Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.

    курсовая работа [1,5 M], добавлен 15.10.2012

  • Модели нейронных сетей и их реализации. Последовательный и параллельный методы резолюции как средства логического вывода. Зависимость между логическим следованием и логическим выводом. Применение технологии CUDA и реализация параллельного алгоритма.

    дипломная работа [1,5 M], добавлен 22.09.2016

  • Применение методов искусственного интеллекта при определении цвета глаз будущего ребенка. Сущность нейросетевых технологий, обучение нейросимуляторов. Зависимость погрешности обучения от погрешности обобщения. Оценка значимости входных параметров.

    презентация [287,2 K], добавлен 14.08.2013

  • Получение изображения объекта с помощью оптико-электронных систем, построенных на основе ПЗС-приемника. Методы обработки первичной измерительной информации. Реализация алгоритма обработки графической информации с помощью языка программирования Python.

    лабораторная работа [1,1 M], добавлен 30.05.2023

  • Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.

    дипломная работа [1,8 M], добавлен 08.02.2017

  • Понятие экономической информации, ее классификаторы. Системы классификации и кодирования информации. Документация и технологии её формирования. Применение технологий Workflow, их функции. Виды носителей информации, современные технологии ее хранения.

    курсовая работа [2,0 M], добавлен 27.09.2013

  • Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.

    реферат [158,2 K], добавлен 16.03.2011

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.