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».

электронный нос, свертка исходной информации, нейронная сеть, распознавание химических веществ

1. Omatu S., Mitsuaki Y. E-nose system by using neural networks // Neurocomputing. 2016. V. 172. P. 394–398.

2. Никитина С.Ю., Кучменко Т.А., Рудаков О.Б., Дроздова Е.В. Применение методики «электронный нос» для оценки качества пищевого этанола // Вестник ВГУ. Серия: Химия. Биология. Фармация. 2015. № 1. С. 26–35.

3. Проблемы аналитической химии. Том 14. Химические сенсоры: монография; под ред. Ю.Г. Власова. М.: Наука, 2011. 399 с.

4. Большакова Л.В., Примакин А.И., Яковлева А.Н. Применение кластерного и дискриминантного анализов в процессе обработки и интерпретации статистических данных при обеспечении экономической и информационной безопасности хозяйствующего субъекта // Вестник Санкт-Петербургского университета МВД России. 2014. № 2 (62). С. 148–156.

5. Аль-Хашеди А.А., Обади А.А., Нуриев Н.К. Разработка математического и программного обеспечения задач распознавания образов на основе персептрона // Вестник Казанского технологического университета. 2017. Т. 20. № 11. С. 85–88.

6. Карпов А.С. Сравнение методов обучения нейронной сети для задачи распознавания изображений // Вестник современных исследований 2017. № 6–1 (9). С. 122–123.

7. Vijayaditya P., Povey D., Khudanpur S. A time delay neural network architecture for efficient modeling of long temporal contexts // Sixteenth Annual Conference of the International Speech Communication Association. 2015.

8. Dai W., Dai C., Qu S., Li J. et al. Very deep convolutional neural networks for raw waveforms // 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017. doi: 10.1109/ICASSP.2017.7952190

9. Sainath T.N., Vinyals O., Senior A., Sak H. Convolutional, long short-term memory, fully connected deep neural networks // 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2015. doi: 10.1109/ICASSP.2015.7178838

10. Szulczy?ski B. et al. Determination of odour interactions in gaseous mixtures using electronic nose methods with artificial neural networks // Sensors. 2018. V. 18. № 2. P. 519. doi: 10.3390/s18020519

11. Jing Y.-Q., Meng Q.-H., Qi P.-F., Cao M.-L. et al. A bioinspired neural network for data processing in an electronic nose // IEEE Transactions on Instrumentation and Measurement 2016. V. 65. № 10. P. 2369–2380. doi: 10.1109/TIM.2016.2578618