Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой обработки данных Текст научной статьи по специальности «Компьютерные и информационные науки»

Вестник<ВГУИШ/Proceedings of VSUET ISSN 2226-910X E-ISSN 2310-1202

Химическая технология

Chemical Technology

DOI: http://doi.org/1Q.2Q914/231Q-1202-2Q19-3-18Q-186_Оригинальная статья/Research article_

УДК 004.931_Open Access Available online at vestnik-vsuet.ru

Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой _обработки данных_

Елена А. Балашова 1 helbal@yandex.ru 0000-0002-9886-5402 Валерия В. Битюкова 2 acusher.idpo@vsmaburdenko.ru _Анатолий А. Хвостов 3 khvtoll974@ya.ra_0000-0002-3836-9407

1 Воронежский государственный университет инженерных технологий, пр-т Революции, 19, г. Воронеж, 394036, Россия

2 Акушерство и гинекология ИДПО, Воронеж. гос. мед. ин-т им. Бурденко, пер. Здоровья, д. 2, г. Воронеж, 394024, Россия

3 ВУНЦ ВВС «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина», ул. Старых Большевиков, 54А, г. Воронеж, 394064, Россия

Аннотация. Определение состава исходного вещества выполнялось с помощью электронного сенсорного прибора «электронный нос», состоящего из 8 датчиков, на которые с помощью шприца подавался воздух с парами спирта, содержащего разного рода примеси. Сигнал с датчиков записывался с частотой дискретизации 1 с на протяжении 120 с. Выходные данные прибора были представлены в двух разных интерпретациях - в виде кривых, полученных от каждого датчика, либо площадей под кривыми. Цель работы - построение системы распознавания 11 примесей и воды в исходном веществе. Определение состава исходного вещества выполнялось с помощью «электронного носа», позволяющего получить по 120 значений с каждого из 8 датчиков в виде кривых либо значений площадей под кривыми. Большое количество классов (12), динамическое представление информации исходных данных делают целесообразным построение системы распознавания образов на основе нейронной сети - многослойного персептрона, обучаемого на основе алгоритма обратного распространения ошибки. При обучении сети используются имеющиеся образцы, с указанием к какому классу они относятся. Свойства каждого анализируемого вещества представляются как вектор 120 значений 8 признаков, определяющих один из 12 классов. Для снижения размерности входных данных нейронной сети авторами предложено использование свертки имеющейся информации без существенной потери информационной емкости признаков путем построения 8 полиномиальных регрессий 19-го порядка, описывающих кривые с каждого из 8 датчиков «электронного носа». Полученная в результате свертки матрица входов состояла из 20 коэффициентов полиноминальной регрессии каждой из 8 кривых для 12 рассматриваемых классов. Была построена двухслойная нейронная сеть с 43 нейронами и сигмоидальной функцией активации в скрытом слое и 12 нейронами и линейной функцией активации в выходном слое. В результате обучения сети было получено 2 ошибки классификации образцов, что позволяет использовать предлагаемый авторами подход для построения системы распознавания на основе предварительной свертки данных, динамически получаемых с «электронного носа».

Ключевые слова: электронный нос, свертка исходной информации, нейронная сеть, распознавание химических веществ

Automation of recognition of chemicals using electronic sensor _technology based on neural network data processing_

Elena A. Balashova 1 helbal c/ yandcx.ru 0000-0002-9886-5402

Valeriya V. Bityukova 2 acusher.idpo@vsmaburdenko.ru

Anatoly A. Khvostov 3 khvtoll974@ya.ru 0000-0002-3836-9407

1 Voronezh State University of Engineering Technologies, Revolution Av., 19 Voronezh, 394036, Russia

2 Obstetrics and Gynecology IAPE,Voronezh State Medical Institute named after Burdenko, Zdoroviya lane, 2, Voronezh, 394024,Russia

3 Military Research Center of the Air Force "Air Force Academy named after prof. N.E. Zhukovsky and YuA. Gagarina", Old Bolsheviks st., 54 A, Voronezh, 394064, Russia

Abstract. The composition of the initial substance was determined using an electronic sensor "electronic nose", consisting of 8 sensors, to which air was supplied with a syringe with alcohol vapor containing various kinds of impurities. The signal from the sensors was recorded with a sampling frequency of 1 s for 120 s. The output of the device was presented in two different interpretations - in the form of curves obtained from each sensor, or the areas under the curves. The purpose of the work is to build a recognition system for 11 impurities and water in the starting material. The composition of the initial substance was determined using an "electronic nose", which allows one to obtain 120 values from each of 8 sensors in the form of curves or the values of the areas under the curves. A large number of classes (12), the dynamic presentation of the source data information make it advisable to build a pattern recognition system based on a neural network - a multilayer perceptron trained on the basis of the error back propagation algorithm. When training the network, existing samples are used, indicating which

Для цитирования For citation

Балашова Е.А., Битюкова В.В., Хвостов А.А. Автоматизация Balashova E.A., Bityukova V.V., Khvostov A.A. Automation of распознавания химических веществ с помощью электронной recognition of chemicals using electronic sensor technology based on сенсорной технологии на основе нейросетевой обработки данных // neural network data processing. Vestnik VGUIT [Proceedings of Вестник ВГУИТ. 2019. Т. 81. № 3. С. 180-186. doi:10.20914/2310- VSUET]. 2019. vol. 81. no. 3. pp. 180-186. (in Russian).

1202-2019-3-180-186_doi:10.20914/2310-1202-2019-3-180-186_

This is an open access article distributed under the terms of the © 2019, Балашова Е.А. и др. / Balashova E.A. et al. Creative Commons Attribution 4.0 International License

180

class they belong to. The properties of each analyte are represented as a vector of 120 values of 8 attributes defining one of 12 classes. To reduce the dimensionality of the input data of the neural network, the authors proposed the use of convolution of the available information without significant loss of information capacity of signs by constructing 8 polynomial regressions of the 19th order that describe the curves from each of the 8 sensors of the "electronic nose". The input matrix obtained as a result of convolution consisted of 20 polynomial regression coefficients of each of 8 curves for 12 classes under consideration. A two-layer neural network with 43 neurons and a sigmoidal activation function in the hidden layer and 12 neurons and a linear activation function in the output layer was constructed. As a result of network training, 2 classification errors were obtained, which allows us to use the approach proposed by the authors to build a recognition system based on preliminary convolution of data dynamically obtained from the "electronic nose" Keywords: electronic nose, initial information convolution, neural network, chemical recognition

Введение

Одной из современных тенденций анализа состава химического вещества является использование электронной сенсорной технологии - «электронного носа» [1]. Для определения состава вещества используется группа датчиков, выдающих различные выходные сигналы как для разных концентраций одного и того же вещества, так и для разных веществ.

Используемый в работе анализатор запахов МАГ-08 состоял из 8 чувствительных сенсоров, представляющих собой пьезоэлементы на основе кварцевых резонаторов ОАВ-типа с базовой частотой колебаний 10 МГц. На электродах размещались различные пленочные сорбенты: полиэтиленгликоль фталат (ПЭГФ), полиэти-ленгликоль (ПЭГ-2000), тритон Х-100 (ТХ-100), полиэтиленгликоль себацинат (ПЭГСб), дицик-логексан-18-Краун-6 (ДЦГ18К6), полиэти-ленгликоль адипинат (ПЭГА), многослойные углеродные нанотрубки (МУНТ), пчелиный клей (ПчК) [1].

Пробы каждого образца спиртосодержащей жидкости с примесями (ацетон, пропанол-1, пропанол-2, бутанол-1, бутанол-2, этанол, бута-нон, ацетальдегид, этилацетат, бутилацетат, пентанол-2, вода) отбирались индивидуальным шприцем и вводились в ячейку детектирования. Величина выходного сигнала сенсорного элемента определялась сорбционной активностью применяемого сорбента [2, 3]. Сигнал с датчиков (максимальное изменение частоты колебания кварцевых пластин в результате сорбции компонентов) записывался с частотой дискретизации 1 с на протяжении 120 с. Агрегирование информации проводилось в форме «визуального отпечатка» - оценивания площади отклика сенсоров, пропорционального концентрации летучих веществ.

Полученные исходные данные сохранялись в базе данных и обрабатывались с помощью программного обеспечения анализатора «MAG Soft», реализующего факторный анализ (метод главных компонент). В силу того что число рассматриваемых классов соединений велико (12 разновидностей примесей), получить точные результаты классификации образцов указанным методом не представляется возможным. Разработка алгоритма обработки результатов исследования в этой связи является актуальной задачей.

На сегодняшний день для классификации объектов различной природы и сложности используются эвристические методы, методы кластерного, дискриминантного анализа, точность которых с ростом числа классов снижается [4], что вынуждает авторов строить многоуровневые иерархические системы классификации. Классификация объектов с помощью нейронных сетей дает [5-11] более точные результаты, а негативный эффект роста числа классов может быть нивелирован усложнением архитектуры сети.

Цель работы - построение автоматизированной нейросетевой системы классификации примесей в исходном веществе. В качестве исходного вещества, параметры которого составили обучающую выборку, выступали спирт и спиртосодержащие жидкости с заранее известным составом примесей. Анализировались спиртовые жидкости, содержащие 11 различных примесей и воду. Таким образом, поставлена задача - разделение обучающей выборки на 12 классов веществ.

Материалы и методы

Задача классификации объектов может быть успешно решена с использованием как сверточных [8, 9], реккурентных [9], так и многослойных нейронных сетей с прямым распространением сигнала и обратным распространением ошибки [5]. Классификация сигналов, представляющих собой длинный вектор (порядка 32 000 значений), успешно может быть выполнена с помощью сверточных нейронных сетей [8]. Однако успешное обучение глубоких нейронных сетей требует наличия параллельной обработки на специальных видеокартах и практически невозможно на персональном компьютере. Многослойные персептроны напротив зарекомендовали себя как нейронные сети, не требующие больших ресурсов для создания и обучения [6].

Алгоритм обратного распространения ошибки представляет собой градиентный алгоритм обучения многослойного персептрона, основанный на минимизации среднеквадрати-ческой ошибки выходов сети. При обучении нейронной сети на вход поочередно подаются

значения вектора входов р. Выходное значение нейронной сети у (расчетное значение) сравнивается с целевым t (заданное значение). Перенастройка весов Ж и смещений Ь производится для того, чтобы приблизить выходное значение а к целевому t. Цель обучения - уменьшить среднеквадратическую ошибку: Iй Iй

*=N & О' = N I (у с) -' (■ »2.

^^ г=1 ^^ г=1

Процесс обучения прекращается, если реализовано предельное количество циклов обучения, целевая функция достигла заданной величины либо некоторого значения и перестала уменьшаться.

ро Н>

Pi

Р2 ...

РРп

Входной

слой Input layer

Скрытый слой Hidden layer

Многослойный персептрон (рисунок 1) состоит из входного слоя, образованного входными векторами, одного скрытого слоя, состоящего из k нейронов, и выходного слоя из 12 нейронов, число которых определяется числом распознаваемых классов. Количество нейронов в скрытом слое определяется экспериментально и может быть увеличено либо уменьшено в зависимости от особенностей обучающей выборки. Функции активации /, используемые в нейронах скрытых слоев, - сиг-

моидальные, { (X) = --^т, а в выходном

слое - линейные

1 + eßx f ( x )=x .

i 0 ui 2 W-2!

Win k uk

Выходной

слой Output layer

Рисунок 1. Многослойный персептрон Figure 1. Multilayer perceptron

Выходной сигнал j-го нейрона скрытого слоя определяется функцией активации от

( n \

суммы взвешенных входов v, = f

Trip

а выход нейронной сети (сигнал выходного слоя) - функцией активации от суммы взвешенных выходов скрытого слоя

с к \ ! к ( п \\

У=f

T

V i = о

wlv,

=f

i = О

Twk—f TrfjPj

V j=1

j j

Многослойный персептрон имеет более мощное обучающее правило - разновидность градиентного спуска. Веса перестраиваются в направлении минимума ошибки Е.

Веса связей между нейронами корректируются в обратном порядке - от выхода ко входу нейронной сети, поэтому алгоритм поиска весов получил название обратного распространения ошибки. Вес w12} связи между

нейроном выходного слоя и }-м нейроном скрытого слоя корректируется согласно следующему правилу:

w2j (i+1) = w2j (i)

DE

Щ

где Ц - коэффициент скорости обучения сети, скорость изменения ошибки:

= (y _ t) df (ul)

du,

Vj , u? =

w,2. V,-

& Г}'

и1 } = 0

Ошибка на выходе скрытого слоя не имеет непосредственной связи с выходной ошибкой, так как неясно, каким должен быть эталонный выход скрытого слоя. Вес нейронов скрытого слоя корректируется в соответствии с их вкладом в величину ошибки выходного слоя. Чем больше ошибка на выходе сети и чем больше вес связи между скрытым и выходным нейроном, тем больше ошибка на выходе скрытого нейрона. Градиент ошибки относительно скрытого слоя определяется следующим образом:

DE , ,df (ul) 2 df (ul)

Г = (У _t)—Mw? —h^Pj

8w.

du,

du)

Вес w(. нейронов скрытого слоя корректируется согласно следующему правилу:

^ (/ +1) = w( (/)-чЩ-.

Алгоритм обучения сети работает следующим образом.

1. Задаются начальные значения весов связей между нейронами на всех слоях сети.

2. На вход сети подается значение текущего входного вектора. Осуществляется расчет в прямом направлении значений выходных сигналов нейронов скрытого слоя и выходного слоя.

3. Выполняется расчет градиента ошибки выходного слоя и осуществляется коррекция весов связей между нейронами скрытого и выходного слоев.

4. Рассчитывается градиент ошибки скрытого слоя и осуществляется коррекция весов связей между входами сети и нейронами скрытого слоя.

5. Алгоритм повторяется с пункта 2. Перенастройка весов и смещений производится до тех пор, пока норма градиента не станет ниже заданного значения погрешности в, определяющего точность процесса обучения.

Совокупность входных векторов для обучения сети представляет собой 120 значений, полученных с частотой 1 с с каждого из 8 сенсоров «электронного носа» для всех 12 рассматриваемых классов веществ. Таким образом, входы нейронной сети - матрица размерностью 960x12. Количество выходных нейронов определяется количеством рассматриваемых классов - 12.

Результаты и обсуждение

Экспериментальным путем было установлено, что при таком большом числе входов максимальное количество слоев нейронной сети, доступное для обучения на персональном компьютере, - 2 с 10 нейронами на скрытом слое с сигмоидальными функциями активации и 12 нейронами с линейной функцией активации в выходном слое. Такого количества нейронов недостаточно для распознавания классов. Нейронная сеть может выделить из совокупности только один класс. Очевидно, что для построения

нейронной сети с большим количеством нейронов требуется уменьшение количества входов.

Поскольку максимальные изменения значений, полученных с большинства сенсоров, наблюдаются в первые 60 с измерений, матрица входных значений была уменьшена до 480x12. Это позволило создать и обучить нейронную сеть с 60 нейронами в скрытом слое и 12 - в выходном, однако не позволило получить надежных результатов классификации. Ряд веществ, например, ацетальдегид (рисунок 2) имеет низкую летучесть. Для их анализа «электронному носу» требуется больше времени. Указанный подход не позволяет не только классифицировать низколетучие вещества, но и не увеличивает точность классификации остальных веществ.

Рисунок 2. Показания прибора при распознавании ацетальдегида

Figure 2. Readings in the detection of acetaldehyde

В этой связи было предложено осуществить свертку исходных данных. Одним из путей уменьшения количества входов с минимальными потерями и искажением информации является аппроксимация полученных с сенсоров кривых полиноминальными зависимостями. В качестве входов нейронной сети при этом рассматриваются коэффициенты полиномов, описывающих изменение исходных данных. Для описания исходных кривых был выбран полином 19-го порядка, результаты аппроксимации для анализа ацетальдегида представлены на рисунке 3.

Рисунок 3. Аппроксимация данных анализа ацетальдегида: а - данные третьего сенсора; б - данные шестого сенсора Figure 3. Approximation analysis of acetaldehyde: a third sensor data; b - data of the sixth sensor

После описания исходных данных с помощью полиноминальной регрессии количество входов значительно уменьшилось до 160, что позволило обучать нейронную сеть на матрице 160 x 12. Экспериментальным путем было установлено, что для успешной классификации обучающей выборки достаточно 32 нейронов в скрытом слое и 12 - в выходном. Ошибки классификации представлены на рис. 4, откуда видно, что их значения не превышают допустимой ошибки обучения 0,001.

^ Variables - error

Для проверки корректности работы нейронной сети было использовано 10 тестовых веществ, содержащих один или несколько контрольных образцов, используемых для обучения нейронной сети.

Для свертки исходных данных для каждого из тестовых веществ была осуществлена аппроксимация выходов каждого из 8 сенсоров полиномиальной регрессией 19-го порядка. Полученные входные данные представлены на рисунке 5.

I | error X |

Е | 12x12 double

1 2 3 4 5 6 7 8 9 10 11 12

i 1.8264 е-04 -22847е-04 -22173е-04 5J>440e-05 -1.0632 е-04 -5Л579е-04 -4.4961 е-04 1.2504 е-04 5.7069е-04 -1Л263е-04 7.0088 е-06 -3.7978 е-04

2 -13041 е-04 22106е-04 4.0006е-05 1.9489е-04 5.7803е-04 8.1967е-04 -13201 е-04 -3.0382 е-05 7.9681е-05 -2.7487е-05 -8£330e-05 -3.0236 е-04

3 -2.7487е-05 1.8264 е-04 -8.9760е-05 -23425е-04 63298е-04Т lJ»lle-04 -7.1958 е-04 1.0986 е-04 2.9950е-05 2.2064 е-05 2.5985 е-04 1.4147е-04

4 15101 е-04 -1.0369 е-04 -3.5205 е-04 2.2064 е-05 2Д565е-05Т -6.2882е-04 5.1300 е-05 -2.9786е-04 -6.0539е-04 5.7803е-04 -15536е-04 6.0100 е-04

5 1.9876 е-04 -1.2446 е-04 -4.7257е-05 5.7803е-04 8.1967 е-04 5.8895е-04 8.8594 е-04 23950е-05 4.3844е-04 6.5298 е-04 -2Ш14е-04 5.8895е-04

6 -9.5593е-04 -1.2368 е-04 -1Л263е-04 6.5298 е-04 lJ»lle-04 -9.3686е-05 1.0525 е-04 -4.0619е-05 35327е-04 2.6565 е-05 ЗЛ614е-04 1.5332 е-04

7 -55933е-05 -1.1319 е-04 -2.7487е-05 2.6565 е-05 -628S2e-04T 2£912е-04 5.8895 е-04 35207е-05 2.2662е-04 1.2578 е-05 -3.9359е-04 ЗЛ71бе-04

г -6.3064 е-04 1.1238 е-04 15101 е-04 -1.7256е-04 5.7069е-04Т -3£931е-04 -9.3686е-05 1.4329 е-04 7.8697 е-05 -1.8629 е-04 53138е-05 -3.2660 е-04

9 -2.4955 е-04 -2J)743e-04 1.9876 е-04 1Л279е-04 -2ДЮ21е-04 -4J»19e-05 2Ж12е-04 8.5035 е-05 -1.5250 е-04 -1.1319 е-04 -2.5079е-04 -53013е-04

10 7.5720е-05 2.4028 е-04 53б14е-05 -3£284е-04 7.4936 е-04 352D7e-05 -3 £931 е-04 7.8697 е-05 5.8895 е-04 1.1238 е-04 9Л215е-05 -8.9263 е-04

11 1.1238 е-04 -9Л411е-05 -1.7433е-04 1.2209е-04 7.8697 е-05 1Л329е-04 -2.0154 е-04 -1.5250 е-04 2.5508 е-04 35327е-04 12578 е-05 4.7813е-04

12 -2J)743e-04 1.4688 е-04 2М14е-04 -6.8883 е-04 7.9606 е-05 8.5035е-05 -6.2689е-04 6.9125 е-05 -5.5399е-04 2.6565 е-05 -1.8629е-04 -1.8312 е-04

Рисунок 4. Матрица ошибок обучения Figure 4. The error matrix of training

t ?««;«:» чвним< irSM-U

tUlHIU

1WJJMI! • «34ЭМ-11

tn»IW - imeo«

-0 002*11 cmi№<t

U№l •i Mi-it «JU I» •7 24B-1? liM-lt

«3M-U 11JÍ-0»

im-or 0000142121

:И!»!НМ

i tu-2» >UtM 1ИН4 •íJ'Wí ЗЭМ 1* -4 S4É-1T

• ЧС-И <***« l» IIKU S1U-0» 1Ш-0Т 4 :¡zz4 ÍJKM

400141101* в KU1IM 4MNS2U)

Hi—'.ОС'Л isooo^tv 4:ИММС]

u»»

LNMt

i ж-21 им*

Г

1 ЭОС-54 4U6Ü

• ЗК-И

ш-м

aaooicaio'

♦ иск

45КГ

-12SMT

140« И ИИ-С*

:j«v4 3 23С-09

9 5с-:»»*з:

IMH1IW1 4М**3033

4J«r «¡Mi •144*21 I24C1» •3 2«« Г в 41Í-11 •«ИМ» и»11 -I зы-э*

ÍMK4

з;к«

?*0С4Я

MSM0 ■«мезт 47М4 -IMC-J1 J 30« 1* •»»'И' в 111-11 л к* и

4 4X11

im« : »-t-o« ert-и

МС9ММ <aoe«"ü

«MOÍ1HV au'iMM*

1ЖГ

4KC-24

i4it:i 1*9« 1» 4JVW m:mi

4I.-M1

4 КС-11

-I'lMI

lilfot

5

I42C-03

■cx:*c¡$t¡

o:i*iíW4j

MfHO i ;к «»>::*

-2 t*«-2: tm» 4UW LSSM4

»ГМ1 •4C'«-»

* K* -A

0000:4434 4X3UUSI o ;ÍJ*I4jh

•li'.KWm •01*2*44212

ишмш t

им»

T?>f.:4 -2UI-21 VIH» 4J»J1 1 ¿41-14

iom-I: ▼ •oe-ii

-4 221-04 tliW

!M<4

•2*04-1?

•S4*« ti 1Л2М1 4JM-U t И4-С4 JKI«' Л Ш-04 0 006424112

«tuotmi

Cl*43244?4 142'«1*42*

«2**э»ош

114«-»

•l-Mf -2? 2 0*4-24

14« i»

2 34« Г J'M-t« : m it U4-U -'•34-10 1144« ■422*^ * 44«-04 » '14-01 <00414*021

20sc-2* 1M2I

12K-21 4141-21

ftjsto» •is:m*

IISC-14

•t'iiiJ 1241-10 414(44

IMM> 4MM Q 300223*11 -0X44:4*44 024*9*1194 -O 541444" 1 1210412442 OK*K>C404 •2 33111*4 3 44142 MIT

UlMf

130C-2* 73ЭС-24 -i IM-21

un»

41»Г

10*414 -4 N411

T23M1 -404C-S4 ГИ4» 9ЗД04 а Э0С U44Í4 -0 0624*1144 5ЛИКИ'

142»»

4ЯН' 14,t-24 111421 21311*

-4 34MT 4*3*-ti 4 42» 1» 304411 -1MC-04 4*1*44 :

-С Э0С"2*1* : X42C4M4 ■4 14*2*311*

0*11*14314 •I 1И2**4*4 ЫРЪПШХ ?404» 144« 4 44« 24 •i 4*421 3 24« 1* 4И!Г * »44-1* •I 2*4 It 3*2« 11 '.»CtO* »14*44 2 2344« 4*2«-«

в 00912*134

S 2ll-2* •|4сег* 7 44С-24

•J 434-21

14441* -4*34 IT 10*414

ix*¡: 7234-11 -4

l'K-04 : эоС'143 и-•0002*11*0* :íi544cit; ■С 2*11*3331 131441111*

i .шипи»

ЫИЛ1Й4 11ШМ1М

to* 2*

'1.244-24 MÍHI

uwt

IHtl»

4ГИТ 190*11 • M41» 4 *2£-ll

•I'sto*

¡M-0' 9JK-0* 00001290*1

•00021* tu»

Рисунок 5. Свертка исходных данных для 10 тестовых веществ Figure 5. Convolution of input data for 10 test substances

24U-S*

3 24«'31

1,74MB

-t w::

U»il

-2 ffTJ-S*

2 32* 14

23X12

1ПК

4 1К-Э*

1Ю14'

1 »4« "59

OOOCK432 -000*111*'» о o*i>*•*;• 41ПРР1 иШ'Ш!

10*4494441

04123324*2

SlU-2*

i»e ;*

?02«-24 2 »«21 12*1»

10*1-14

4*ít- II

TJ»I1 -4 0М-Э*

i m<o

1TMI 0000142434 -000i»?*2i*

Поочередная подача на вход исходных данных позволила оценить точность классификации тестовой выборки. Из 10 веществ неверно классифицировано было лишь 1.

Заключение 1. Большое количество классов (12) и вид представления информации (динамические кривые), получаемой с «электронного носа», делают целесообразным построение системы распознавания образов на основе нейронной сети.

2. Искусственное уменьшение времени проведения анализа до 60 с не позволяет распознать тяжелолетучие компоненты, проявляющих себя на второй минуте анализа.

3. Для свертки имеющейся информации без существенной потери информационной емкости признаков предложено использовать полиномиальную регрессию, коэффициенты которой подаются на вход нейронной сети, что позволяет классифицировать вещества с высокой степенью точности.

Литература

1 Omatu S., Mitsuaki Y. E-nose system by using neural networks // Neurocomputing. 2016. V. 172. P. 394-398.

2 Никитина С.Ю., Кучменко Т.А., Рудаков О.Б., Дроздова Е.В. Применение методики «электронный нос» для оценки качества пищевого этанола // Вестник ВГУ. Серия: Химия. Биология. Фармация. 2015. № 1. С. 26-35.

3 Проблемы аналитической химии. Том 14. Химические сенсоры: монография; под ред. Ю.Г. Власова. М.: Наука, 2011. 399 с.

4 Большакова Л.В., Примакин А.И., Яковлева А.Н. Применение кластерного и дискриминантного анализов в процессе обработки и интерпретации статистических данных при обеспечении экономической и информационной безопасности хозяйствующего субъекта // Вестник Санкт-Петербургского университета МВД России. 2014. № 2 (62). С. 148-156.

Аль-Хашеди А.А., Обади А.А., Нуриев Н.К. Разработка математического и программного обеспечения задач распознавания образов на основе персептрона // Вестник Казанского технологического университета. 2017. Т. 20. №11. С. 85-88.

6 Карпов А.С. Сравнение методов обучения нейронной сети для задачи распознавания изображений // Вестник современных исследований 2017. № 6-1 (9). С. 122-123.

7 Vijayaditya P., Povey D., Khudanpur S. A time delay neural network architecture for efficient modeling of long temporal contexts // Sixteenth Annual Conference of the International Speech Communication Association. 2015.

8 Dai W., Dai C., Qu S., Li J. et al. Very deep convolutional neural networks for raw waveforms // 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017. doi: 10.1109/ICASSP.2017.7952190

9 Sainath T.N., Vinyals O., Senior A., Sak H. Convolutional, long short-term memory, fully connected deep neural networks // 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2015. dot: 10.1109/ICASSP.2015.7178838

10 Szulczynski B. et al. Determination of odour interactions in gaseous mixtures using electronic nose methods with artificial neural networks // Sensors. 2018. V. 18. № 2. P. 519. doi: 10.3390/sl8020519

11 Jing Y.-Q., Meng Q.-H., Qi P.-F., Cao M.-L. et al. A bioinspired neural network for data processing in an electronic nose // IEEE Transactions on Instrumentation and Measurement 2016. V. 65. № 10. P. 2369-2380. doi: 10.1109/TIM.2016.2578618

References

1 Omatu S., Mitsuaki Y. E-nose system by using neural networks. Neurocomputing. 2016. vol. 172. pp. 394-398.

2 Nikitina S.Yu., Kuchmenko T.A., Rudakov O.B., Drozdova E.V. Application of the "electronic nose" technique to assess the quality of food ethanol. Bulletin of the Voronezh State University. Series: Chemistry. Biology. Pharmacy. 2015. no. 1. pp. 26-35. (in Russian).

3 Problems of analytical chemistry. Vol. 14. Chemical sensors: monograph; ed. Yu.G. Vlasov. Moscow, Nauka, 2011. 399 p. (in Russian).

4 Bolshakova L.V., Primakin A.I., Yakovleva A.N. The use of cluster and discriminant analyzes in the processing and interpretation of statistical data while ensuring economic and information security of an economic entity. Bulletin of the St. Petersburg University of the Ministry of Internal Affairs of Russia. 2014. no. 2 (62). pp. 148-156. (in Russian).

5 Al'-Khashedi A.A., Obadi A.A., Nuriev N.K. Development of mathematical and software for pattern recognition problems based on the perceptron. Bulletin of Kazan Technological University. 2017. vol. 20. no. 11. pp. 85-88. (in Russian).

6 Karpov A.S. Comparison of neural network training methods for image recognition. Bulletin of modern studies 2017. no. 6-1 (9). pp. 122-123. (in Russian).

7 Vijayaditya P., Povey D., Khudanpur S. A time delay neural network architecture for efficient modeling of long temporal contexts. Sixteenth Annual Conference of the International Speech Communication Association. 2015.

8 Dai W., Dai C., Qu S., Li J. et al. Very deep convolutional neural networks for raw waveforms. 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017. doi: 10.1109/ICASSP.2017.7952190

9 Sainath T.N., Vinyals O., Senior A., Sak H. Convolutional, long short-term memory, fully connected deep neural networks. 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2015. doi: 10.1109/ICASSP.2015.7178838

10 Szulczynski B. et al. Determination of odour interactions in gaseous mixtures using electronic nose methods with artificial neural networks. Sensors. 2018. vol. 18. no. 2. pp. 519. doi: 10.3390/s18020519

11 Jing Y.-Q., Meng Q.-H., Qi P.-F., Cao M.-L. et al. A bioinspired neural network for data processing in an electronic nose. IEEE Transactions on Instrumentation and Measurement 2016. vol. 65. no. 10. pp. 2369-2380. doi: 10.1109/TIM.2016.2578618

Сведения об авторах Елена А. Балашова к.т.н., доцент, Воронежский государственный университет инженерных технологий, пр-т Революции, 19, г. Воронеж, 394036, Россия, helbal@yandex.ru https://orcid.org/0000-0002-9886-5402

Information about authors Elena A. Balashova Cand. Sci. (Engin.), associate professor, Voronezh State University of Engineering Technologies, Revolution Av., 19 Voronezh, 394036, Russia, helbal@yandex.ru https://orcid.org/0000-0002-9886-5402

Валерия В. Битюкова д.м.н., профессор, акушерство и гинекология ИДПО, Воронежский государственный медицинский университет им Бурденко, пер. Здоровья, 2, г. Воронеж, 394024, Россия, acusher. idpo@vsmaburdenko .ги

Анатолий А. Хвостов д.т.н., профессор, кафедра математики, ВУНЦ ВВС «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина», ул. Старых Большевиков, 54А, г. Воронеж, 394064, Россия, к1гу1:о11974(й!уа.ги https://orcid.org/0000-0002-3836-9407 Вклад авторов Елена А. Балашова провела расчеты, написала рукопись, корректировала её до подачи в редакцию и несёт ответственность за плагиат

Валерия В. Битюкова обзор литературных источников по исследуемой проблеме

Анатолий А. Хвостов консультация в ходе исследования Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Valeriya V. Bityukova Dr. Sci. (Med.), professor, obstetrics and gynecology IAPE, Voronezh State Medical University named after N.N. Burdenko, Zdoroviya lane, 2, Voronezh, 394024, Russia, acusher.idpo @vsmaburdenko. ru

Anatoly A. Khvostov Dr. Sci. (Engin.), professor, math department, Military Research Center of the Air Force "Air Force Academy named after prof. N.E. Zhukovsky and Yu.A. Gagarina", Old Bolsheviks st., 54 A, Voronezh, 394064, Russia, khvtoll 974(S)ya.ru https://orcid.org/0000-0002-3836-9407 Contribution

Elena A. Balashova wrote the manuscript, correct it before filing in editing and is responsible for plagiarism, , performed computations

Valeriya V. Bityukova review of the literature on an investigated problem

Anatoly A. Khvostov consultation during the study Conflict of interest

The authors declare no conflict of interest.

Поступила 14/07/2019_После редакции 31/07/2019_Принята в печать 09/08/2019

Received 14/07/2019_Accepted in revised 31/07/2019_Accepted 09/08/2019