Научная статья на тему 'Моделирование системы обоняния'

Моделирование системы обоняния Текст научной статьи по специальности «Кибернетика»

CC BY
151
29
Поделиться
Ключевые слова
НЕРАЗРУШАЮЩИЙ АНАЛИЗ / ПЬЕЗОСЕНСОРЫ / ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ

Аннотация научной статьи по кибернетике, автор научной работы — Перегудов Александр Николаевич

Разработано устройство, позволяющее проводить неразрушающий анализ веществ и материалов. В основу положена многоуровневая нейронная модель, опиисывающая механизм работы обонятельной системы. Представлена структурная схема взаимосвязи основных модулей программы. Созданная система была апробирована при анализе смеси углеводородов и их нитропроизводных.

Похожие темы научных работ по кибернетике , автор научной работы — Перегудов Александр Николаевич,

The given paper is devoted working out of the device, allowing to carry out not destroying analysis of substances and materials. The multilevel neural model describing the mechanism of work of olfactory system is put in a basis of work of system. The scheme of interrelation of the basic models of the program is presented. The created system has been approved at the analysis of a mix of hydrocarbons and their nitroderivatives.

Текст научной работы на тему «Моделирование системы обоняния»

А.Н.Перегудов

МОДЕЛИРОВАНИЕ СИСТЕМЫ ОБОНЯНИЯ MODELING OF SMELL SENSE SYSTEM

Разработано устройство, позволяющее проводить неразрушающий анализ веществ и материалов. В основу положена многоуровневая нейронная модель, опии-сывающая механизм работы обонятельной системы. Представлена структурная схема взаимосвязи основных модулей программы. Созданная система была апробирована при анализе смеси углеводородов и их нитропроизводных.

The given paper is devoted working out of the device, allowing to carry out not destroying analysis of substances and materials. The multilevel neural model describing the mechanism of work of olfactory system is put in a basis of work of system. The scheme of interrelation of the basic models of the program is presented. The created system has been approved at the analysis of a mix of hydrocarbons and their nitroderivatives.

Во многих отношениях обоняние — самое таинственное наше чувство. Многие замечали, что, хотя запах помогает воскресить в памяти событие, почти невозможно вспомнить сам запах, подобно тому как мы восстанавливаем мысленно образ или звук. Запах потому так хорошо служит памяти, что механизм обоняния тесно связан с той частью мозга, которая управляет памятью и эмоциями, хотя мы и не знаем точно, как устроена и действует эта связь. Нет полной ясности и в понимании того, каким образом мы ошушдем запах и как человеку удается различать такое множество запахов. Гипотез существует немало, но ни одна из них еще не смогла объяснить все экспериментальные факты.

При всех успехах современной робототехники следует признать очевидный факт — разработка искусственного обоняния по сравнению с имитацией других ощущений человека пока что можно назвать наименее успешной. Зрение, слух, тактильные ощущения включая температурные, вибрационные, кинестетические (и даже в каком-то смысле боль), вестибулярный аппарат — воссоздание всех этих человеческих ощущений продвинулось учёными гораздо дальше, чем воссоздание обоняния. Нами была сделана попытка создать электронный аналог системы обоняния «электронный нос», в котором в качестве обонятельных рецепторов «электронного носа» использованы пьезосенсоры.

В качестве базовой модели для создания устройства, позволяющего проводить неразрушающий анализ веществ и материалов, была использована многоуровневая нейронная семиотическая модель.

Отбор вида выходных данных сети. Анализ объекта должен заканчиваться идентификацией содержащихся в пробе веществ. Такой результат предполагает текстовое сообщение. Для кодировки результатов анализа каждому определённому веществу присваивали уникальный код, по которому при формировании итогового отчёта можно привести в соответствие текстовую информацию. При этом использовали принцип увеличения расстояния между классами определённых веществ, т.е. присваивали веществам не просто порядковые номера, а числовые значения, учитывающие наличие функциональных групп в составе молекулы. Код каждого вещества является уникальным числовым идентификатором, по которому происходит поиск в базе данных соответствующих характеристик соединения при формировании результатов анализа. Этот код присваивается в момент добавления данного вещества в базу данных «Одорант» и является постоянной величиной,

которая несмотря на изменение любых обучающих характеристик аналита (обучающей выборки и основных сведений) остаётся неизменной.

Для создания интеллектуальной составляющей автоматизированной системы газового анализа использовали среду разработки Богіагкі Бе1рЫ 7.0 (СУБД — Рагаёох).

Структурная схема разрабатываемой информационной системы, отражающая взаимосвязь всех её элементов, представлена на рис. 1.

Сипи гы оа-ссоркой Ич ТрИЦЬХ

й Ь Г^чЮЩч Я

еьіЬ ркд

Рис. 1. Структурная схема взаимосвязи основных модулей программы

Входной сигнал нейросети представляет собой вектор значений, количество которых равно количеству сенсоров в системе, а выходной сигнал сети (результат анализа) — уникальный код. Определим число нейронов входного и выходного слоёв ИНС. Во входном слое будет содержаться количество нейронов, равное количеству пьезосенсоров с учётом момента времени снятия сигнала (п+1), а в выходном слое будет содержаться один нейрон, выход которого — код вещества.

В качестве входных данных нейросети использовали 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 ИНС подаётся матрица значений сигналов устройства:

X =

*1 хп Х1 у 2 х1

Хц хи Хіт

*п Хп1 Хпу х пт

і = 1, п, у = 1, т

где X — матрица значений частотных сигналов сенсоров;

— момент времени, в который произошло формирование набора частотных сигналов, с;

хїї — значение частотного сигнала ї-го сенсора в і-й момент времени, і = 1, п, у = 1, т ,Гц , п — количество сенсоров; т — продолжительность анализа, с.

Установление основных характеристик нейронов. Нейрон, входящий в входной слой нейросети, имеет один синапс (вход), на который подается один из компонентов входного вектора сети, и один аксон, который связывает нейрон с нейронами следующего слоя. Вид такого нейрона представлен на рис. 2,а.

а) б)

Рис. 2. Вид нейронов: а — нейрон входного слоя; б — нейрон промежуточного

и выходного слоёв

Нейроны, образующие каждый скрытый слой, а также нейрон выходного слоя имеют количество синапсов по числу нейронов в предыдущем слое и один аксон. Информация, снимаемая с аксона нейрона выходного слоя, соответствует коду определённого вещества.

В качестве активационной функции всех нейронов сети использовали сигмоиду

/(х)= 1-ох • (2)

1 + е

Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет простую производную:

/'(х )=«/(х)(1 - /(х)). (3)

При уменьшении параметра а сигмоида становится более пологой, вырождаясь в горизонтальную линию на уровне 0,5 при а =0. При увеличении а сигмоида все больше приближается к функции единичного скачка.

Важная характеристика нейросети — количество скрытых слоёв, увеличение которого повышает точность и надёжность анализа. Однако с увеличением числа слоёв

растёт сложность вычислений и время расчёта. Поэтому было принято решение о воз-

можности изменения количества скрытых слоёв и числа нейронов в них в процессе обучения сети. При этом пользователь может самостоятельно принимать решение о целесообразности увеличения или уменьшения числа промежуточных слоёв нейросети в зависимости от тех или иных показателей эффективности обучения.

Разработанная система была апробирована при анализе смеси углеводородов и их нитропроизводных. Полученные результаты представлены в таблице.

Определение углеводородов с применением полисенсорной системы (гексан — 1, нитрометан — 2, нитробензол — 3, п = 6, Р = 0,95)

Введено, мг/м3 Найдено, мг/м3

1 2 3 1 2 3 1 2 3

5,0 10,0 10,5 5,5 9,5 10,0 0,01 0,01 0,03

5,0 25,0 15,0 5,3 23,5 16,0 0,02 0,01 0,05

5,0 30,5 15,0 4,9 32,0 15,5 0,03 0,04 0,01

10,0 80,0 15,0 11,5 80,5 16,5 0,05 0,01 0,08

15,0 90,0 35,0 13,8 91,0 37,0 0,02 0,01 0,06

25,0 95,5 50,0 27,0 94,5 52,0 0,01 0,03 0,05

Предлагаемые модификаторы пьезосенсоров чувствительны ко всем компонентам смеси. Обработка откликов массива сенсоров искусственными нейронными сетями позволила с малой ошибкой определять углеводороды в газовых смесях. Аналогичные приёмы применимы для анализа газовых смесей, состоящих из большего числа компонентов различной природы с применением п числа ИНС. Система адаптируется к любому объекту исследования и может быть использована для экспресс-анализа различных веществ и материалов.

ЛИТЕРАТУРА

1. Воронков Г.С., Изотов В. А. Компьютерная модель нейронных механизмов обработки информации на первом синаптическом уровне обонятельной системы // Интеллектуальные системы.— 1998.— Т.3.— Вып. 1—2.— С. 87—108.

2. Калач А.В., Коренман Я.И., Нифталиев С.И. Искусственные нейронные сети — вчера, сегодня, завтра // Воронеж: Воронеж. гос. технол. акад., 2002.

3. Калач А.В. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров // Нейрокомпьютеры: разработка и применение.— 2003.— №10—11.

4. Осовский С. Нейронные сети для обработки информации.— М.: Финансы и статистика, 2002.— 344 с.