Применение искусственных нейронных сетей в автоматизированных системах анализа и мониторинга химических сред

• Автор: Комаров, Виктор Викторович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Липецк
• Количество страниц: 136 с. : ил.

СПИСОК ИСПОЛЬЗУЕМЫХ АББРЕВИАТУР

АС - автоматизированная система

АСАМ - автоматизированная система анализа и мониторинга

химических сред ИНС - искусственная нейронная сеть

ИНС ПР - искусственная нейронная сеть прямого распространения

(многослойный персептрон)

ЛГТУ - Липецкий государственный технический университет

МГК - метод главных компонент

МС - мультисенсорная система

ОРО - алгоритм обратного распространения ошибки

ПКС - пьезокристаллический сенсор

ПО - программное обеспечение
ХС - химический сенсор
1. ОБЗОР ПОДХОДОВ К МОНИТОРИНГУ ХИМИЧЕСКИХ СРЕД И ПОСТРОЕНИЮ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
1.1. Системы анализа и мониторинга сред
1.2. Химические сенсоры и мультисенсорные системы
1.3. Математические методы обработки откликов мультисенсорных систем
1.4. Применение различных типов искусственных нейронных сетей в задачах аппроксимации
1.5. Построение моделей мультисенсорных систем на основе искусственных нейронных сетей прямого распространения
1.6. Выбор алгоритма обучения нейросетевых моделей мультисенсорных систем
1.7. Конфигурирование нейросетей и подготовка данных для обучения нейросетевых моделей мультисенсорных систем
1.8. Выводы и постановка задач исследования
2. ИССЛЕДОВАНИЕ СПОСОБОВ ПРИМЕНЕНИЯ НЕЙРОСЕТЕЙ ДЛЯ СИНТЕЗА АВТОМАТИЗИРОВАННЫХ СИСТЕМ АНАЛИЗА И МОНИТОРИНГА ХИМИЧЕСКИХ СРЕД
2.1. Пример нейросетевого моделирования мультисенсорной системы мониторинга воздушной среды
2.2. Конфигурирование нейросетевых моделей мультисенсорных систем
2.3. Исследование проблемы выбора структуры трехслойных нейросетевых моделей мультисенсорных систем
2.4. Подготовка данных для обучения и оценки адекватности нейросетевой модели мультисенсорной системы
2.5. Исследование различных правил коррекции весовых коэффициентов
в алгоритме обратного распространения ошибки

2.6. Исследование работы комбинированных методов обучения нейросетевых моделей
2.7. Применение автоматического останова в алгоритме обучения нейросетевых моделей мультисенсорных систем
2.8. Выводы
3. РАЗРАБОТКА МЕТОДИКИ СИНТЕЗА АВТОМАТИЗИРОВАННЫХ СИСТЕМ АНАЛИЗА И МОНИТОРИНГА ХИМИЧЕСКИХ СРЕД
3.1. Общее описание методики синтеза
3.2. Предварительный анализ задачи синтеза
3.3. Подготовка обучающих и тестовых данных
3.4. Конфигурирование нейросетевых моделей мультисенсорных систем
3.5. Обучение нейросетевых моделей мультисенсорных систем
3.6. Оптимизация нейросетевых моделей мультисенсорных систем
3.7. Выводы
4. ПРАКТИЧЕСКОЕ ПРИМЕШНИЕ МЕТОДИКИ СИНТЕЗА АВТОМАТИЗИРОВАННЫХ СИСТЕМ АНАЛИЗА И МОНИТОРИНГА ХИМИЧЕСКИХ СРЕД
4.1. Постановка задачи синтеза АС мониторинга воздушной среды
4.2. Подготовка данных для моделирования АС
4.3. Корреляционный анализ чувствительности сенсоров
4.4. Синтез нейросетевых моделей АС мониторинга воздушной среды
4.5 Оптимизация нейросетевых моделей АС мониторинга воздушной среды
4.6. Сравнительный анализ решений
4.7. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ

по конфигурациям, давшим положительный результат обучения, представлены в табл.2.4.
Таблица 2
Оценки точности различных конфигураций ИНС
ИНС модель X, х2 х3
Еа% Еь% Еа% Еь% Еа% Еь%
3-2-3 4.56 9.94 4.78 5.64 13.7 14
3-3-3 5.50 4.70 6.90 3.78 2.74 7
3-4-3 11.6 8.77 6.70 13.6 5.74 10
3-5-3 3.60 3.13 6.58 4.73 9.92 17
3-6-3 7.62 16.7 12.9 2.87 0.76 4
3-7-3 9.4 5.24 4.5 5.4 1.46 7
3-8-3 3.84 7.26 4.78 5.16 10.5 18
3-9-3 4.26 11.8 10.1 4.53 2.02 6
Таким образом, в ходе длительных исследований, потребовавших привлечения экспертных оценок и поиска оригинальных решений при построении математической модели МС, была построена адекватная нейросетевая модель мультисенсорной системы, которая может быть использована при анализе газовых составов для определения концентраций трех полиароматических соединений (компонентов). Эта модель может применяться при автоматическом анализе загрязнения воздушной среды.
2.2. Конфигурирование нейросетевых моделей мультисенсорных систем
В современных нейросетевых моделях МС получили широкое распространение нейросетевые модели на базе многослойных ИНС прямого распространения. В основном это нейросети больших размерностей, что связано с размерами моделируемых МС. Такие модели эффективны, но громоздки и имеют ряд недостатков. Для их обучения требуются большие массивы тестовых данных, а сам процесс обучения имеет затяжной во времени характер и требует значительных вычислительных ресурсов. По сути, эти модели представляют собой нейросетевые аппроксимации камерных зависимостей «количество химических компонентов» - «отклики сенсоров».