CC BY
98
Ю.В. Спичкин, А.Н. Перегудов
доктор химических наук, профессор
А.В. Калач,
кандидат химических наук, доцент
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ОБОНЯНИЯ MATHEMATICAL MODELING OF THE SENSE OF SMELL
Обосновывается возможность математического моделирования обоняния на основе использования интеллектуальной обработки информации искусственными нейронными сетями.
The possibility of mathematical modeling of the sense of smell based on intellectual information processing by artificial neural networks is substantiated.
На протяжении нескольких десятилетий серьёзную сложность представляло адекватное моделирование биологических систем. Положение радикально изменилось только в конце XX века. Именно тогда стало окончательно ясно, что параллельная многопроцессорная обработка множества сигналов может привести к получению информации о физико-химических свойствах окружающей среды в режиме реального времени. Мощный арсенал средств и методов хемометрики в совокупности с современными технологиями баз данных и информационных систем позволили создать мультисенсорные системы с элементами искусственного интеллекта, получившие название «электронный нос» и «электронный язык» [1]. В настоящее время такие системы находят применение в практической деятельности ОВД для обнаружения наркотических веществ, фальсифицированных спиртосодержащих жидкостей, мониторинга окружающей среды и др.
Все перечисленные примеры являются частными случаями решения общей задачи распознавания образов. В основе решения любой подобной задачи лежат экспертные оценки: только эксперт может отнести тот или иной сигнал к определённой группе (множеству).
В настоящее время исключительно важной задачей является разработка математических моделей и алгоритмов распознавания образов на основе использования искусственных нейронных сетей (ИНС) [2].
Основой каждой модели является информационная и логико-вычислительная подсистемы, функционирующие в соответствии с командами, поступающими из управляющей подсистемы (рис. 1). Информационная подсистема обеспечивает возможность записи и хранения информации о любых поступающих сигналах, в частности об одорантах (запахах).
Входные данные Выходной результат
Рис. 1. Схема модели обоняния
Для кодировки результатов анализа в работе было принято решение о присвоении каждому одоранту уникального кода, по которому при формировании итогового отчёта можно было бы восстановить текстовое представление выходных данных. Код каждого вещества является уникальным числовым идентификатором одоранта, по которому происходит поиск в базе данных соответствующих характеристик вещества для формирования итогового отчёта, содержащего результаты анализа газовой смеси. Код одоранта задаётся в соответствии с алгоритмом индексирования в момент добавления данного вещества в базу данных «Одорант». Этот параметр является постоянной величиной и при изменении остальных характеристик одоранта (обучающей выборки и основных сведений) остаётся прежним [3—4].
Основой логико-вычислительной подсистемы является нейронная сеть, архитектура которой приведена на рис. 2.
а) б) в)
Рис.2. Архитектура нейронной сети: а — входной слой; б — промежуточные (скрытые слои); в — выходной слой.
Разработан пакет программ, реализующий модель обоняния, для чего использована среда разработки Borland Delphi 7.0 (СУБД - Paradox).
Во входном слое будет содержаться п — количество нейронов, соответствующее количеству пьезосенсоров с учетом момента времени снятия сигнала (п+1), в выходном слое будет содержаться один нейрон, выход которого — код вещества.
Основными рабочими элементами нейросети является нейрон. Нейрон, входящий в состав входного слоя нейросети, имеет один синапс (вход), на который подаётся один из компонентов входного вектора сети, и один аксон, связывающий нейрон с нейронами следующего слоя. Вид такого нейрона представлен на рис. 3.
Рис. 3. Вид нейронов: а — нейрон входного слоя; б — нейрон промежуточного
и выходного слоев
Нейроны, образующие каждый скрытый слой, а также нейрон выходного слоя имеют количество синапсов по числу нейронов в предыдущем слое и один аксон. Информация, поступающая с аксона нейрона выходного слоя, соответствует коду одоранта.
В качестве активационной функции всех нейронов был выбран сигмоид:
£ (х ) =-1----.
1 + е ах
При уменьшении параметра а сигмоид становится более пологим, вырождаясь в горизонтальную линию на уровне 0,5 при а=0. При увеличении а сигмоид всё больше приближается к функции единичного скачка.
С увеличением числа слоев растёт сложность вычислений и время расчёта. Поэтому было принято решение о возможности изменения количества скрытых слоев и числа нейронов в них в процессе обучения сети. При этом пользователю необходимо самому принимать решение о целесообразности увеличения или уменьшения числа промежуточных слоев нейросети в зависимости от тех или иных показателей эффективности обучения.
Проведённые исследования позволили предложить следующий алгоритм определения различных веществ с использованием ИНС (рис. 4).
Рис. 4. Схема организации определения различных веществ Предложенная схема по своей организации и функциональным возможностям близка к природным аналогам, поскольку ИНС уже не пассивно отражает информацию, а компенсирует неточность этой информации, поступающей в условиях неполноты и противоречивости данных. Кроме того, следует отметить малогабаритность измерительной системы и возможность проведения анализа в режиме реального времени.
ЛИТЕРАТУРА
1. Воронков Г.С. Сенсорная система как нейронная семиотическая модель адекватной среды // Сравнительная физиология высшей нервной деятельности человека и животных. — М.: Наука, 1990.
2. Воронков Г. С. Модельный подход как новая парадигма в теории связи в сенсорных системах // Вестн. Моск. ун-та. Сер. 16. Биология.— 1993.— Вып. 1.— С. 3— 10; Мазитова Р.М., Охотская В.И., Пучкин Б.И. Обоняние и его моделирование.— Новосибирск: Изд. СО АН СССР, 1966.
3. Мультисенсорная система «электронный нос». Часть 2. Сбор, обработка и анализ сигналов / Калач А.В. [и др.] // Диагностика. Контроль.— 2006.— №1.
4. Калач А.В. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров // Нейрокомпьютеры: разработка и применение.— 2003.— №10—11.
