Рис. 4. Данные ПЭМ ПФМ, полученного из хлорида магния
ВЫВОДЫ:
1) проведен встречный синтез ПФМ из хлорида и нитрата магния,
2) доказана структура образующегося ПФМ методами РФА и ИКС,
3) на основе электронно-микроскопических исследований установлена структура двух образцов ПФМ, полученных из хлорида и нитрата магния, и показаны характерные отличия.
Список литературы
1. С. М. Баринов, В. С. Комлев. Биокерамика на основе фосфатов кальция. М.: Наука, 2005. - 204 с.
2. Ю.Я. Харитонов. Аналитическая химия. Аналитика. Кн. 1. М.: Высшая школа, 2003. - 615 с.
3. Авакян А.Г., Гринев В.С., Федоров Е.Е., Пичхидзе С .Я. Получение пирофосфата магния для медицинских применений. Сборник докладов конф., III Международная конференция по химии и химической технологии, Ереван. 2013. - 3 с.
ИССЛЕДОВАНИЕ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА Павлова Анна Илларионовна, к.т.н., доцент Синельникова Анастасия Сергеевна, ст. 3 курса Чентаева Елена Андреевна, ст. 3 курса
Новосибирский государственный университет экономики и управления
В работе исследована нейронная сеть Кохонена. Особенностью обучения данной сети является отсутствие учителя и применение механизмов конкуренции нейронов. В результате применения методов WTA (Winner takes all) и WTM (Winner takes the most) нейроны произвольно разбиваются на кластеры. Это позволяет применять сети Кохонена для отображения результатов на SOM-картах.
Нейронные сети в настоящее время находят все большее практическое применение для решения научных задач [1-3]. Этому способствует развитие вычислительной техники, методов обучения сетей [4-5]. Теуво Калеви Кохонен выдающийся финский ученый предложил двухслойную нейронную сеть, содержащую входной слой и слой активных нейронов (слой Кохонена). Отличительной особенностью такой сети является отсутствие учителя и использование механизмов конкуренции нейронов между собой. Сеть Кохонена часто находит практическое применение для
решения задач анализа данных, распознавания образов, поиска закономерностей. В результате обучения сети пользователь может наглядно представить на карте исходные данные в виду отдельных групп или кластеров. Исходные данные, задаваемее пользователь в виде некоторого набора векторов признаков самоорганизуются в группы на основе сходства этих признаков на картах.
Пошаговый алгоритм обучения сети Кохонена можно писать следующим образом:
Инициализация. Случайным образом подбираются начальные значения для весовых коэффициентов, коэффициента скорости обучения, радиус близости d (1) между входными данными. Для этого используются различные метрики близости, например, евклидово расстояние, скалярное произведение, расстояние Манхэттен, мера относительно норы L и др. Наиболее часто используют евклидову меру близости между исходными данными (формула (2)).
Шаг 1. Выбирается некоторый образ, описываемый признаками x.
Шаг 2. Определяется нейрон - «победитель».
Шаг 3. Для нейрона победителя и нейронов из радиуса близости вокруг победителя определяются новые значения весов.
Шаг 4. Осуществляется модификация коэффициента обучения и радиуса близости по формуле (3).
Шаг 5. Выбирается критерий сходимости алгоритма, если критерий выполняется, то конец обучения, если нет - переходим к шагу 1.
Выходные сигналы слоя Кохонена обрабатываются по правилу «победитель забирает всё» (Winner takes all - WTA) или «победитель забирает большее» (Winner Takes the most - WTM)
В первом случае наибольший сигнал превращается в единичный, остальные обращаются в ноль, функция соседства задается в виде константы по формуле (4).
d (х, wr ) = min( x, wu )
J (1)
d (x wj )=Iх - wj I=J£(x - wj)2
V J=1 , (2)
w(t +1) = w(t) + 7 • G(i, x)(x - w (t)), (3)
1, i = w 0, i Ф w
0(1, х) =
"" ^ (4)
где О - функция близости, функция соседства; п - количество нейронов; ] - номер нейрона победителя; й (х, w,)
4 1/ - расстояние между векторами х и w.
В результате применения подхода WTA в каждом цикле обучения будет побеждать только один нейрона и это приводит к проблеме «мертвых нейронов». Помимо нейронов «победителей» есть нейроны «неудачники» или «мёртвые.» нейроны, не выполняющие полезной функции. Для устранения недостатков ограничиваются количество побед для «победителей» или вычисляется потенциал нейронов, и если значение минимально, то считаем, что нейрон отдыхает, и его не исключают из борьбы, т.е. ограничивается число побед «победителя», чтобы «неудачники» смогли участвовать и конкурировать за «победу».
Поэтому в современных алгоритмах используют подход: «победить забирает больше» с использованием функции Гаусса:
G (i, x) = e
2а2
(5)
Это позволяет снизить число «мертвых нейронов» при обучении сети Кохонена.
В статье приведен пример функционирования слоя Кохонена для 30 случайных векторов заданных случайным образом. В результате обучения сети с помощью нейросетевого пакета neural Toolbox Matlab формируются восемь кластеров вокруг выбранных центров (рис.2).
Neipel Netwsric Training (nntrain;oc4)
Nniral Mrtwiwk
k
PefurrrwntB Muri iqujird tiro» > -CikdUbOTfc MAILAB
Fray«*
Epoch: 0 [ IBOD .Ittnlmr» 1000
Tinw |
Рис. 2. Пример работы сети Кохонена
Сети Кохонена могут быть использованы для предварительной классификации данных, преимуществом сетей является большая вычислительная скорость, а также отсутствие учителя для формирования обучающей выборки. Однако результаты обучения сети во многом зависят от количества исходных данных, выбранной метрики и функции скорости обучения.
Список литературы:
1. Павлова А.И., Каличкин В.К. Автоматизированное картографирование сельскохозяйственных земель с помощью нейронной экспертной системы, интегрированной с ГИС // Достижения науки и техники АПК. - 2011. - № 1. - С. 5 - 8.
2
d
2. Каличкин В.К., Павлова А.И. Применение нейронной экспертной системы для классификации эрозионных земель // Сибирский вестник сельскохозяйственной науки.
- 2014. - № 6. - С. 5-11.
3. Павлова А.И. Применение нейронной экспертной системы и ГИС для классификации эрозионных земель // Современные информационные технологии и ИТ-образование / Сборник избранных трудов IX Междунар. научно-практич. конф. под ред. проф. В. А. Сухомлина. - М.: ИНТУИТ.РУ, 2014. - С.312-319.
4. Бабешко В.Н. Бабешко С.В. Использование многопроцессорных вычислительных систем. «Перспективное развитие науки, техники и технологий» Материалы 3-й Международной научно-практической конференции (18 октября 2013 года). В 3 томах. Ответственный редактор Горохов А. А. Курск, 2013 Издательство: Закрытое акционерное общество «Университетская книга» (Курск)
5. Бабешко В.Н. Обработка данных на основе многопроцессорных вычислительных систем. Сборник статей Международной научно-практической конференции (31 января 2015 г., г. Уфа). - Уфа: Аэтерна, 2015. - 74 с.
ТЕХНИЧЕСКИЕ РЕШЕНИЯ СНИЖЕНИЯ УРОВНЯ МЕХАНИЧЕСКИХ ПРИМЕСЕЙ В ПРИРОДНОМ ГАЗЕ Сидорова Анастасия Игоревна, студентка Егоров Алексей Николаевич, студент руководитель Куликова Марина Геннадьевна, к.т.н., доцент «Национальный исследовательский университет «МЭИ», г.Смоленск
В данной статье описывается природный, его твердые механические примеси и способы очистки газа от твердых примесей.
Природный газ - смесь различных углеводородов, основным компонентом является метан (97 - 98%). В природном газе в небольших количествах содержатся двуоокись углерода, азот, пыль и водяной пар, механические примеси. В некоторых природных газах присутствует сероводород (3 -4%). В соответствии со стандартами содержание примесей в природном газе для газоснабжения городов, не должно превышать: сероводород -
3 3
0,02г/м , органическая сера - 30-50Мг, механические примеси - 0,001г/м , диоксид углерода - не более 2%, кислород-не более 1% по объему [1].
Перед подачей потребителям природный газ очищают от примесей, так как наличие примесей приводит к быстрому износу соприкасающихся с газом деталей компрессоров. Твердые частицы засоряют и портят арматуру газопровода и контрольно-измерительные приборы; скапливаясь на отдельных участках газопровода, они сужают его поперечное сечение. При содержании 5-7 мг/м твердой взвеси КПД трубопровода уменьшается на 3
- 5% в течение двух месяцев работы, а при содержании более чем 30 мг/м трубопровод выходит из строя через несколько часов работы из-за полного эрозионно-ударного износа.
Под твердыми примесями понимают аэрозольные системы с газовой дисперсионной средой и твердой дисперсной фазой [2]. К твердым примесям относят частицы породы, выносимые газовым поток из скважины,