к.т.н., доцент, ,, пр-т Революции, 19, г. Воронеж, 394036, Россия
Cand. Sci. (Engin.), associate professor, ,, Revolution Av., 19 Voronezh, 394036, Russia
д.м.н., профессор, акушерство и гинекология ИДПО, пер. Здоровья, 2, г. Воронеж, 394024, Россия
Dr. Sci. (Med.), professor, obstetrics and gynecology IAPE, Zdoroviya lane, 2, Voronezh, 394024, Russia
д.т.н., профессор, кафедра математики, ул. Старых Большевиков, 54А, г. Воронеж, 394064, Россия
Dr. Sci. (Engin.), professor, math department, Old Bolsheviks st., 54 A, Voronezh, 394064, Russia
Определение состава исходного вещества выполнялось с помощью электронного сенсорного прибора «электронный нос», состоящего из 8 датчиков, на которые с помощью шприца подавался воздух с парами спирта, содержащего разного рода примеси. Сигнал с датчиков записывался с частотой дискретизации 1 с на протяжении 120 с. Выходные данные прибора были представлены в двух разных интерпретациях – в виде кривых, полученных от каждого датчика, либо площадей под кривыми. Цель работы – построение системы распознавания 11 примесей и воды в исходном веществе. Определение состава исходного вещества выполнялось с помощью «электронного носа», позволяющего получить по 120 значений с каждого из 8 датчиков в виде кривых либо значений площадей под кривыми. Большое количество классов (12), динамическое представление информации исходных данных делают целесообразным построение системы распознавания образов на основе нейронной сети – многослойного персептрона, обучаемого на основе алгоритма обратного распространения ошибки. При обучении сети используются имеющиеся образцы, с указанием к какому классу они относятся. Свойства каждого анализируемого вещества представляются как вектор 120 значений 8 признаков, определяющих один из 12 классов. Для снижения размерности входных данных нейронной сети авторами предложено использование свертки имеющейся информации без существенной потери информационной емкости признаков путем построения 8 полиномиальных регрессий 19-го порядка, описывающих кривые с каждого из 8 датчиков «электронного носа». Полученная в результате свертки матрица входов состояла из 20 коэффициентов полиноминальной регрессии каждой из 8 кривых для 12 рассматриваемых классов. Была построена двухслойная нейронная сеть с 43 нейронами и сигмоидальной функцией активации в скрытом слое и 12 нейронами и линейной функцией активации в выходном слое. В результате обучения сети было получено 2 ошибки классификации образцов, что позволяет использовать предлагаемый авторами подход для построения системы распознавания на основе предварительной свертки данных, динамически получаемых с «электронного носа».
The composition of the initial substance was determined using an electronic sensor “electronic nose”, consisting of 8 sensors, to which air was supplied with a syringe with alcohol vapor containing various kinds of impurities. The signal from the sensors was recorded with a sampling frequency of 1 s for 120 s. The output of the device was presented in two different interpretations - in the form of curves obtained from each sensor, or the areas under the curves. The purpose of the work is to build a recognition system for 11 impurities and water in the starting material. The composition of the initial substance was determined using an “electronic nose”, which allows one to obtain 120 values from each of 8 sensors in the form of curves or the values of the areas under the curves. A large number of classes (12), the dynamic presentation of the source data information make it advisable to build a pattern recognition system based on a neural network - a multilayer perceptron trained on the basis of the error back propagation algorithm. When training the network, existing samples are used, indicating which class they belong to. The properties of each analyte are represented as a vector of 120 values of 8 attributes defining one of 12 classes. To reduce the dimensionality of the input data of the neural network, the authors proposed the use of convolution of the available information without significant loss of information capacity of signs by constructing 8 polynomial regressions of the 19th order that describe the curves from each of the 8 sensors of the “electronic nose”. The input matrix obtained as a result of convolution consisted of 20 polynomial regression coefficients of each of 8 curves for 12 classes under consideration. A two-layer neural network with 43 neurons and a sigmoidal activation function in the hidden layer and 12 neurons and a linear activation function in the output layer was constructed. As a result of network training, 2 classification errors were obtained, which allows us to use the approach proposed by the authors to build a recognition system based on preliminary convolution of data dynamically obtained from the “electronic nose”
The authors declare that there are no conflicts of interest present.