Preview

Вестник Воронежского государственного университета инженерных технологий

Расширенный поиск

Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой обработки данных

https://doi.org/10.20914/2310-1202-2019-3-180-186

Полный текст:

Аннотация

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».

Об авторах

Е. А. Балашова
Воронежский государствен-ный университет инженерных технологий
Россия
к.т.н., доцент, ,, пр-т Революции, 19, г. Воронеж, 394036, Россия


В. В. Битюкова
Воронежский государственный медицинский университет им. Бурденко
д.м.н., профессор, акушерство и гинекология ИДПО, пер. Здоровья, 2, г. Воронеж, 394024, Россия


А. А. Хвостов
ВУНЦ ВВС «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина»
д.т.н., профессор, кафедра математики, ул. Старых Большевиков, 54А, г. Воронеж, 394064, Россия


Список литературы

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


Для цитирования:


Балашова Е.А., Битюкова В.В., Хвостов А.А. Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой обработки данных. Вестник Воронежского государственного университета инженерных технологий. 2019;81(3):180-186. https://doi.org/10.20914/2310-1202-2019-3-180-186

For citation:


Balashova E.A., Bityukova V.V., Khvostov A.A. Automation of recognition of chemicals using electronic sensor technology based on neural network data processing. Proceedings of the Voronezh State University of Engineering Technologies. 2019;81(3):180-186. (In Russ.) https://doi.org/10.20914/2310-1202-2019-3-180-186

Просмотров: 130


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2226-910X (Print)
ISSN 2310-1202 (Online)