Научная статья на тему 'Моделирование и создание интеллектуального газоанализатора, способного функционировать в условиях неполноты и противоречивости информации'

Моделирование и создание интеллектуального газоанализатора, способного функционировать в условиях неполноты и противоречивости информации Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
224
55
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ / РАСПОЗНАВАНИЕ ОБРАЗОВ / МАТЕМАТИЧЕСКАЯ МОДЕЛЬ / ARTIFICIAL NEURAL NETWORK / PATTERN RECOGNITION / MATHEMATICAL MODEL

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Перегудов Александр Николаевич, Калач Андрей Владимирович

На основании использования нейросетевых методов хемометрики проведено моделирование интеллектуального мультисенсорного газоанализатора типа «электронный нос». Полученные результаты позволили создать действующий прототип системы, способный функционировать в условиях неполноты и противоречивости данных.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Перегудов Александр Николаевич, Калач Андрей Владимирович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

On the basis of use neural methods of chemometric modelling of intellectual multitouch gas analyzer of type «electronic nose» is spent. The received results have allowed to create operating prototype of the system, capable to function in the conditions of incompleteness and discrepancy of the data.

Текст научной работы на тему «Моделирование и создание интеллектуального газоанализатора, способного функционировать в условиях неполноты и противоречивости информации»

А.Н. Перегудов,

кандидат технических наук

А.В. Калач,

кандидат химических наук, доцент, Воронежский институт ГПС МЧС России

МОДЕЛИРОВАНИЕ И СОЗДАНИЕ ИНТЕЛЛЕКТУАЛЬНОГО ГАЗОАНАЛИЗАТОРА, СПОСОБНОГО ФУНКЦИОНИРОВАТЬ В УСЛОВИЯХ НЕПОЛНОТЫ И ПРОТИВОРЕЧИВОСТИ ИНФОРМАЦИИ

MODELLING AND CREATION OF THE INTELLECTUAL GAS ANALYZER CAPABLE TO FUNCTION IN THE CONDITIONS OF INCOMPLETENESS AND DISCREPANCY OF THE INFORMATION

На основании использования нейросетевых методов хемометрики проведено моделирование интеллектуального мультисенсорного газоанализатора типа «электронный нос» Полученные результаты позволили создать действующий прототип системы, способный функционировать в условиях неполноты и противоречивости данных.

On the basis of use neural methods of chemometric modelling of intellectual multitouch gas analyzer of type «electronic nose» is spent. The received results have allowed to create operating prototype of the system, capable to function in the conditions of incompleteness and discrepancy of the data.

В последние годы, благодаря достижениям микроэлектроники и мультисенсорных систем, стало очевидным, что решение проблемы моделирования органов обоняния вполне возможно с использованием параллельной микропроцессорной обработки сигналов, поступающих от системы сенсоров, получивших название «электронный нос» [1]. Анализ работы модели заключался в выполнении серии экспериментов, в результате которых происходит процесс самонастройки на поступающие от рецепторных нейронов сигналы. В итоге накапливалась информация об анализируемом веществе.

На основе этого сделана попытка создать систему, работающую по принципу системы обоняния. В качестве обонятельных рецепторов системы типа «электронный нос» выбраны пьезосенсоры. Этот выбор обусловлен тем, что пьезокварцевые резонаторы применяются для решения различных аналитических задач, таких, например, как оценка вклада в суммарный сигнал отдельного вещества или гомолога. В работе применялись пьезокварцевые резонаторы (пьезосенсоры) АТ-среза с номинальной частотой 8 МГц.

Пьезокварцевый резонатор представляет собой пластину, изготовленную из монокристалла пьезокварца с нанесенными с двух сторон металлическими электродами.

___ n

x, I,*,

x. w

Начальные условия: f (0) = f0, f0— начальное значение функции активации

нейронов, где первый множитель — функция активации; X — матрица характеристик значений частотных сигналов, взвешенная сумма входных сигналов.

Сигналы пьезосенсоров, зависящие от их чувствительности и концентрации анализируемого вещества, группируются системой сбора и передачи информации во второй подсистеме модели. Для многоканальной регистрации сигналов пьезосенсоров в системе типа «электронный нос» и последующей передачи полученных данных в персональный компьютер была использована программируемая логическая интегральная схема (ПЛИС) фирмы Altera. Такое решение позволило создать малогабаритную высокоинтегрированную систему сбора данных с гибкой структурой, поддерживающую функцию внутрисхемного программирования [2].

Блок-схема системы типа «электронный нос» представлена на рис. 1.

Рис.1. Блок-схема системы типа «электронный нос»

Выходной сигнал «электронного носа» обрабатывается в третьей подсистеме модели, которая располагается уже в ПК. Третья подсистема модели в системе типа «электронный нос» представлена многослойной нейронной сетью, способной обучаться по методу обратного распространения ошибки (back propagation). Элементами такой сети являются нейроны, которые в зависимости от суммарного воздействия входных сигналов могут возбуждаться или тормозиться. В результате этого процесса формируется конкретный выходной сигнал. Каждый сигнал, поступающий по дендритам нервной клетки, характеризуется возбуждающей или тормозящей способностью, то есть обладает некоторым отрицательным или положительным весом. При достижении нейроном определенного порогового значения уровня возбуждения происходит его активизация и по аксону передается сигнал другим элементам сети, которые образуют взаимосвязанный последовательный ряд слоев.

Суммарный сигнал системы типа «электронный нос» включает набор следующих трех параметров: максимальный частотный сигнал пьезосенсора за время анализа Afnax (сигнал пьезосенсора к анализируемой пробе), время достижения величины сигнала

сенсора Afnax, площадь SDy фигуры, ограниченной функцией Af=^(x) и осями OAf и От.

Для формирования важнейших качеств предлагаемой информационной системы — настраиваемость на определенное вещество и его идентификация в условиях возможной неполноты и противоречивости данных — было принято решение включить в состав газоанализатора нейронную сеть [3].

Это объясняется тем, что нейронная сеть представляет собой совокупность взаимосвязанных нейронов (полная аналогия с третьей подсистемой модели); процесс обучения нейронной сети, т.е. выбор оптимального набора весовых коэффициентов для идентификации определенного компонента, соответствует процессу настройки; способность нейронной сети компенсировать неполноту и противоречивость входной информации. Все это позволяет внедрить технологию интеллектуальных методов обработки информации в процесс газового анализа с целью увеличения его эффективности.

После формирования суммарного сигнала анализатора типа «электронный нос» создается база данных, в которую заносится информация о химической природе вещества и концентрации. На основе полученной информации формируется входной сигнал для слоя основных нейронов.

Для анализа газовой смеси использована полносвязная искусственная нейронная сеть (ИНС), состоящая из нескольких слоев нейронов, причем каждый нейрон слоя 1 связан с каждым нейроном слоя 1+1. Архитектура разработанной нами нейронной сети представлена на рис. 2.

а б в

Рис. 2. Архитектура разработанной нейронной сети: а — входной слой; б — промежуточные (скрытые) слои; в — выходной слой

В качестве входных данных нейросети выступает вектор значений частотных сигналов, полученных от пьезосенсоров, а также момент времени, в который был получен этот вектор. Таким образом, для анализа газовой среды на вход искусственных нейронных сетей подается матрица значений сигналов системы:

¿1 *п х17 Х1т

X = *п Х7 Х Іт

1 а Хп1 Хп7 Х пт

, І = 1, п, 7 = 1, т

(1)

где X — матрица характеристик значений частотных сигналов, полученная в результате проведения опыта; Ъ — момент времени, в который произошло формирование очередного вектора частотных сигналов, с; Ху — значение частотного сигнала ]-го сенсора в і-й момент времени, І = 1,п,7 = 1,т , п — количество сенсоров, т — продолжительность проведения опыта.

Обучение проведено с точностью ±0,002. После упрощения и оптимизации топологии ИНС получена трехслойная однонаправленная сеть, состоящая из 22 нейронов. Число циклов обучения — 7006. Время обучения составляло 3 мин. Поставленная задача была решена с использованием всех входных параметров, наиболее значимые из которых учитывают число СН2-групп в молекуле кислоты. Задача решается с большей точностью, если обучающая выборка включает в себя физико- химические характеристики кислот и сорбентов. Полученные результаты позволили осуществить структурнопараметрическую оптимизацию системы. В табл. 1 приведены результаты тестирования ИНС.

Таблица 1

Результаты тестирования ИНС

Кислота Сорбент Значения коэффициента распределения

нормированные натуральные

дано п р огноз дано прогноз Ошибка, %

Уксусная ПЭГ-500 -0,920 -0,8612 410 415 1,2

Пропионовая ПЭГ-1000 -0,208 -0,2367 155 152 1,9

Бутановая ПЭГ-2000 0,849 0,8835 300 303 1,0

По результатам тестирования системы установлено, что простейший метод градиентного спуска очень неэффективен в случае, когда производные по различным весам сильно отличаются. Простейшим методом ликвидации данного недостатка является введение момента ц когда влияние градиента на изменение весов изменяется со временем. Дополнительным преимуществом введения момента является способность алгоритма преодолевать мелкие локальные минимумы.

При компьютерной идентификации веществ был установлен критерий идентификации с учетом воспроизводимости и селективности определений. Выбор этого критерия с1 проводили с использованием вероятностного подхода: при однократном определении пробы критерий с1 следует выбирать так, чтобы вероятность ложного обнаружения токсиканта (а) и вероятность ошибочной идентификации токсиканта (Ь) не превышали допустимый уровень. Вероятность пропуска сигнала оценивали с помощью функций Лапласа (Ф):

Ь = 1- 2Ф0

По этой формуле можно рассчитать числовые значения Ь для некоторых ё, выраженных в единицах стандартного отклонения.

Для оценки величины а применяли уравнение

«= <2)

При этом Д, = |( — ГА)|

На рис. 3 приведен алгоритм обучения нейросети.

I

Расчет для остальных слоев НС, п

+,у О+,) _ к _ ЪУ} дsJ

А оО) = -ц 3{п) -х:

___________*_____________

Корректировка весов НС

)=4 >(, - 1)+л4^(,)

Рис. 3. Алгоритм обучения разработанной нейросети

Проведенные исследования позволяют предложить алгоритм аналитического контроля органических токсикантов с использованием газоанализатора (рис. 4)

АНАЛИЗ ИР УЕМАЯ ПРОБА

МАССИВ

СЕНСОРОВ

ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ

РЕЗУЛЬТАТ

АНАЛИЗА

Те стиро вание иосусст венной нейронной «ти

О б уче н и е и скуют венной нейронной «ти

Ф о р м и р о е: а н и є о б у-і а ю щ е й Е:Ы борки

|Д О ¡Д % 01ГІ ал06 ИЗСО IЕ: з се іооро ё}

Рис. 4. Схема организации анализа токсикантов с использованием поверхностно модифицированных пьезорезонаторов

В табл. 2 приведены данные о результатах определения некоторых токсикантов разработанной информационно- поисковой системой.

Таблица 2

Результаты определения некоторых токсикантов разработанной информационно-поисковой системой ((1=0,5, о=0,01)

Токсиканты Гц Лґх, Гц Лі Л2 а Ь р*

Г ексан 650 655 5 10 0 0,32 0,68

Гептан 565 585 10 8 0,044 0,54 0,42

Октан 435 450 3 5 0,014 0,23 0,77

Нонан 320 335 5 5 0 0,21 0,79

*Р=1-а-Ь — частота правильного прогноза.

На основании проведенных исследований предложена информационная система, обеспечивающая работу мультисенсорного газоанализатора типа «электронный нос» (рис. 5).

Созданная система «электронный нос» апробирована при анализе многокомпонентной смеси углеводородов и их нитропроизводных. Система была также опробована для анализа смеси фенола и формальдегида, имитирующих газовые выбросы строительных конструкций, в аналитической лаборатории кафедры физики и химии Воронежского архитектурно-строительного университета. Разработанное программное средство и структурно-параметрическая модель, представленные в данной статье, внедрены в практическую деятельность ООО «Луч» (г. Воронеж).

В результате настройки и оптимизации параметров ИНС средняя относительная погрешность обучения составила менее 5%. Максимальные погрешности получены при малых содержаниях углеводородов в смеси и не превышают 8%.

Рис. 5. Структурная схема взаимосвязи основных модулей информационной системы

При этом диапазоны варьирования управляющих параметров обучения ИНС: коэффициенты активации -0,5—1; обучения 0,2—0,75; инерции -0—0,5; количество циклов обучения -2000—17500. Время обучения сети составляло не более 3 мин. Разработанные методики отличаются простотой и высокой чувствительностью.

ЛИТЕРАТУРА

1. Воронков Г.С. Сенсорная система как нейронная семиотическая модель адекватной среды // Сравнительная физиология высшей нервной деятельности человека и животных. — М.: Наука, 1990. — С. 21 — 25.

2. Привалов А. А., Руфитский М.В. Особенности проектирования РЭС с применением ПЛИС // Перспективные технологии в средствах передачи информации.— С. 120.

3. 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.

i Надоели баннеры? Вы всегда можете отключить рекламу.