CC BY
81
УДК 004.518 (681.518); 539.216
А.С. Варежников, В.Ю. Мусатов, В.В. Сысоев
ОСОБЕННОСТИ ПРИМЕНЕНИЯ САМООРГАНИЗУЮЩИХСЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ОТКЛИКА ОДНОКРИСТАЛЬНОЙ МУЛЬТИСЕНСОРНОЙ
СИСТЕМЫ ИДЕНТИФИКАЦИИ ГАЗОВ
Рассматривается методика улучшения качества распознавания образов самоорганизующимися нейронными сетями на примере обработки экспериментальных данных о запахе мясного фарша, полученных с однокристальной мультисенсорной системы типа «электронный нос». Показано, что применение предлагаемой методики для моделирования карты Кохонена позволило повысить до 90% вероятность правильного распознавания и классификации экспериментальных запахов.
Распознавание образов, самоорганизующиеся нейронные сети, «электронный нос»
A.S. Varegnikov, V.Yu. Musatov, V.V. Sysoev
FEATURES OF SELF-ORGANIZING NEURAL NETWORKS APPLICATION FOR THE ANALYSIS OF THE RESPONSE OF SINGLE-CRYSTAL MULTISENSOR
SYSTEM FOR GAS IDENTIFICATION
The pattern recognition technique based on self-organizing neural networks is considered to be applied to «e-nose» single-crystal multisensor system exposed to odors emitting by meat of different quality. The methodic to advance the level of the data recognition is suggested. It is shown that application of the technique based on Kohonen map modeling allows us to increase the correct recognition and classification of the different groups of experimental data up to 90 %.
Pattern recognition, self-organizing neural networks, «e-nose»
В настоящее время активно развиваются технические средства для анализа газового состава, сравнимые по эффективности с биологическим аналогом, получившие название в литературе как приборы вида «электронный нос» [1]. Чаще всего они формируются на основе набора множества датчиков газа (мультисенсорная система), генерирующих первичный сигнал, и техник распознавания образов, обрабатывающих совокупный сигнал. В качестве техники распознавания образов для «электронного носа» перспективным является применение методов моделирования нейронных сетей (НС) [2], среди которых особый интерес вызывают самообучающиеся алгоритмы, пока не нашедшие широкого применения в «электронных носах». Предлагаемая работа посвящена особенностям использования распознавания запахов системой «электронный нос» на примере КАМША (создана в Исследовательском Центре Карлсруэ, Г ермания) [3] с помощью самоорганизующихся НС, реализованных средствами МаАаЬ [4].
Важный класс образуют сети с самоорганизацией, основу обучения которых составляет конкуренция между нейронами [2]. Как правило, это однослойные сети, в которых каждый нейрон соединен со всеми компонентами N -мерного входного вектора х. Веса синаптических связей нейронов образуют вектор w = ^а,wi2,...,wiN]. После нормализации входных векторов при активации сети вектором х в конкурентной борьбе побеждает тот нейрон, веса которого в наименьшей степени отличаются от соответствующих компонентов этого вектора. Для w -го нейрона-победителя выполняется отношение:
Рис. 1. Мозаика Вороного для 4 нейронов
d (x, ww) = min d (x, wi)
1<i<n
(1)
где d (х, ww) обозначает расстояние (в смысле выбранной метрики) между векторами х и w,
а п - количество нейронов. Нейрон-победитель и все нейроны, лежащие в пределах его окрестности, подвергаются адаптации, в ходе которой их векторы весов изменяются в направлении вектора х по правилу Кохонена [5]:
wi (к +1) = wi (к) + Пі (к)[х - wi (к)], (2)
для і є Sw (к), где Пі (к) обозначен коэффициент обучения і -го нейрона из окрестности Sw (к) в к -й момент времени. Значение уменьшается с увеличением расстояния между і-м нейроном и победителем. Веса нейронов, находящихся за пределами Sw (к), не изменяются.
После предъявления двух различных векторов х, например х1 и х2, активизируются два нейрона сети, веса которых наиболее близки к координатам соответствующих векторов х1 и х2. Эти веса, обозначенные в векторной форме и1 и и2, могут отображаться в пространстве как две точки. Сближение векторов х1 и х2 вызывает соответствующее изменение в расположении векторов и1 и и2. В пределе равенство и1 = и2 выполняется тогда и только тогда, когда х1 и х2 совпадают или практически неотличимы друг от друга. Сеть, в которой эти условия выполняются, называется топографической картой, или картой Кохонена [5].
Процесс самоорганизации предполагает определение победителя каждого этапа, т.е. нейрона, вектор весов которого в наименьшей степени отличается от поданного на вход сети вектора х. Поставим в соответствие нейрону или объекту с признаками X1 и X 2 (весовыми коэффициентами нейронов карты Кохонена), точку этого пространства. В процессе обучения нейронной сети на данных для различных классов объектов нейроны стремятся занять положение в центре их скопления, «усваивая» в весах характерные признаки объектов и выступая в качестве эталона класса. Классификация по признакам осуществляется по принципу «конкуренции» между нейронами. Для этого рассчитывается расстояние (в пространстве признаков) от нейронов до классифицируемого образа, и его относят к классу с наименьшим до него расстоянием.
* При использовании эвклидовой меры
* • (определения расстояния от нейрона до образа)
* . [2], разбиение пространства на зоны доминиро-
. вания нейронов равносильно мозаике Вороного
* [2], в которой пространство вокруг центральных
* • точек (нейронов) образует окрестность домини-
ф* рования (рис. 1). На рис. 1 видно, что зоны влия-
. ния конкурирующих нейронов прилегают друг к
* другу. Попадание образа на границу раздела
* классов может означать то, что он не содержит в достаточной мере признаков того или другого класса. Такая ситуация приводит к ошибкам
хТ* распознавания. Для решения этой проблемы
предлагается исключить область, прилежащую к Рис. 2. Пример зоны возможной ошибки границе «раздела влияния» нейронов из процес-
са распознавания. Назовём эту область зоной возможной ошибки (ЗВО). Определение того, что точка находится в этой зоне влияния нейрона, осуществляется условием, следующим из геометрических построений (рис. 2):
11511 -1 52!1< БХ *(| 51! +1 521), (3)
где Б1, Б2 расстояние между точкой (образом) и ближайшими к ней конкурирующими нейронами N1 и N2 соответственно, М - граница ЗВО, размер которой определяет параметр БХ е {0..1}. При БХ ^ 0 размер ЗВО также стремится к нулю и метод оказывает малое влияние на процесс распознавания. При БХ = 0 это влияние отсутствует полностью. В случае, когда БХ ^ 1, зоны влияния нейронов стягиваются в точки и классификации подвергаются лишь образы с признаками, соответствующими нейронам-эталонам класса. Варьируя параметр БХ , можно управлять качеством распознавания. Одна из особенностей карты Ко-хонена [5] состоит в том, что в процессе классификации невозможно определить правильность распознавания. Сеть выдает результат в виде номера нейрона победителя, т.е. класса, к которому отнесён распознаваемый образ. Неравенство (3) наделяет самоорганизующуюся сеть возможностью выдавать дополнительную информацию, которая позволяет пользователю предпринять меры по восстановлению необходимой достоверности классификации.
Предлагаемая методика улучшения качества распознавания образов с помощью ЗВО опробована для обработки данных экспериментального исследования качества мяса по его запаху,
полученных с однокристальной мультисенсорной системы типа «электронный нос» KAMINA. Идентифицировались три состояния свежести: свежее, несвежее и испорченное. Для обучения нейронной сети подготовлена выборка, состоящая из 150 откликов «электронного носа» для каждой степени свежести. Моделируемая карта Кохонена состояла из трёх нейронов. Обучение проводилось в течение 100 эпох по алгоритму Кохонена [5] с использованием механизма «честной конкуренции» [2]. Тестирование происходило на другой выборке, состоящей из такого же количества откликов. По усредненным значениям ошибок распознавания для значений параметра DZ в диапазоне от 0 до 1 был построен график (рис.3), из которого видно, что уверенное распознавание 90 % откликов достигается при значении параметра DZ = 0,2. Таким образом, применение методики ЗВО для моделирования самоорганизующейся нейронной сети позволило повысить с 67 до 90% вероятность правильного распознавания запахов мясного фарша, полученных с мультисенсорного прибора «электронный нос» KAMINA.
ЛИТЕРАТУРА
1. Persaud K. Analysis of discrimination mechanisms in the mammalian olfactory system using a model nose / K. Persaud, G. Dodd // Nature. 1982. V. 299. P. 352-355.
2. Оссовский С. Нейронные сети для обработки информации / пер. с польск. И.Д.Рудинского. М.: Финансы и статистика, 2004. 453 с.
3. The temperature gradient effect on gas discrimination power of metal-oxide thin-film sensor microarray / V.V.Sysoev, I.Kiselev, M.Frietsch, J.Goschnick // Sensors. 2004. Т.4. С. 37-46.
4. Медведев В. С. Нейронные сети. MATLAB 6 / под общ. ред. к.т.н. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. 496 с.
5. Kohonen T. The self-organizing map / Т. Kohonen // Proc. of IEEE. 1990. Vol. 78. P. 1464-1479.
Варежников Алексей Сергеевич -
студент Саратовского государственного технического университета Мусатов Вячеслав Юрьевич -
кандидат технических наук, доцент кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета
Сысоев Виктор Владимирович -
кандидат физико-математических наук, доцент кафедры «Общая физика» Саратовского государственного технического университета
Статья поступила в редакцию 25.09.09, принята к опубликованию 25.11.09
"х
\ %
1 1 1 1
1 1 1 г г
\ ■V Ч
4 —
О 0 1 02 03 04 05 06 07 08 09 1
Параметр 02
Рис.3 Результаты применения методики ЗВО для распознавания запахов
------Количество распознанных образов, %
---- Количество ошибочно распознанных образов, %
