Решение обратных задач оптической спектроскопии с помощью искусственных нейронных сетей

• Автор: Доленко, Сергей Анатольевич
• Шифр специальности: 01.04.05, 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Москва
• Количество страниц: 151 с.

Оглавление
I. Введение
2. Нейронные, сети и смежные алгоритмы анализа данных и их применение для решения обратных задач

2.1. Сеги с обратным распространением ошибки и их основные архитектуры

2.2. Нейронные сети с общей регрессией

2.3. Метод группового учета аргументов

2.4. Оценка погрешностей решения обратных задач с номошыо I

2.5. Генетические алгоритмы

2.6. Предобработка и компрессия данных

2.7. Применение нейронных сетей для решения обратных задач

3. Методические постановки обратной задачи при использовании методов, управляемых данными. Свойства, отличия и области применения ИНСдля решения
обратных задач
3.1. Методические постановки задачи при использовании методов,
управляемых данными
3.2. Свойства, отличия от других методов и области применения ИНС
для решения обратных задач
3.3. Защищаемые положения раздела 3
4. Решение обратных задач спектроскопии с помощью ПС при реализации методической постановки от модели
4.1. Термометрии низкотемпературной плазмы Vразряда по
колебательновращательным спектрам собственного свечения СО низкого разрешения в отсутствие наложения спектральных полос и линий других
веществ
4.1.1. Физическая постановка задачи
4.1.2. Методическая постановка задачи
4.1.3. Основные результаты
4.1.3.1. Постановка задачи численного моделирования
4.1.3.2. Подготовка данных
4.1.3.3 Сравнение результатов работы различных нейросегевых алгоритмов и архитектур на модельных данных без шума и с шумом
4.1.3.4 Использование компрессии данных с помощью автоассоциативной памяти для предобработки данных
4.1.3.5. Сравнение результатов с термопарными измерениями
4.1.4. Защищаемые положения раздела 4.1
4.2. Определение постоянных времени затухания флуоресценции органических соединений и относительных флуоресцентных вкладов компонент смесей методом кинетической флуориметрии
4.2.1. Физическая постановка задачи
4.2.2. Методическая постановка задачи
4.2.3. Основные результаты
4.2.3.1. Постановка задачи численного моделирования
4.2.3.2. Определение инструментального предела погрешности алгоритма с использованием ИНС
4.2.3.3. Практическая устойчивость к шумам входных данных
4.2.3.4. Расширение диапазона изменения параметров
4.2.3.5. Сравнение решения одно параметрической обратной задачи методом ИНС и градиентным методом
4.2.3.6. Сравнение решения трехпараметрической обратной задачи методом ИНС и градиентным методом
4 2.3 7. Исследование устойчивости решения трехпараметрической обратной задачи методом ИНС по отношению к длительности и форме возбуждающего импульса лазерного излучения
4.2.3 8. Применение метода к экспериментальным кинетическим кривым
4.2.3.9. Постановка задачи классификации для определения числа флуорофоров в исследуемом объекте
4.2.4. Защищаемые положения раздела 4.
4.3. Определение молекулярных параметров органических соединений методом насыщения флуоресценции
4.3.1. Физическая постановка задачи
4.3.2. Методическая постановка задачи
4.3.3. Основные результаты
4.3.3.1. Постановка задачи численного моделирования
4.3 3 2 Определение молекулярных параметров органического соединения с одним флуорофором методом флуориметрии насыщения и устойчивость решения по отношению к шумам входных данных
4.3.3.3. Влияние тренировки с шумом на устойчивость решения обратной задачи флуориметрии насыщения по отношению к шумам входных данных
4.3.3 4. Исследование устойчивости решения по отношению к значениям параметров модели
4.3.3 5. Исследование устойчивости решения но отношению к количеству определяемых параметров модели
4.3 3.6. Проверка работоспособности подхода, связанного с поэтапным определением параметров
4.3 3 7 О возможности использования флуориметрии насыщения в сочетании с кинетической флуоримстрией с переменным стробироваиисм для диагностики смесей органических соединений
4 3.4. Защищаемые положения раздела 4.3
5. Решение обратных задач спектроскопии с помощью ПС при реализации методической постановки от эксперимента
5.1. Определение температуры морской воды но форме спектров комбинационного рассеяния КР
5.1.1. Физическая постановка задачи
5.1.2. Методическая постановка задачи
5.1.3. Основные результаты III
. Программа исследований задачи КРтермомет рии
5.1.3.2. Сравнение эффективности различных нейросетевых алгоритмов и архитектур и оценка точности метода в лабораторных условиях
5.1.3.3. Попытка применения квазимодельной методической постановки
5.1.4. Защищаемые положения раздела 5.1
5.2. Определение вкладов компонен т в спектры флуоресценции смесей органических соединений П
5.2.1. Физическая постановка задачи
5.2.2. Методическая постановка задачи
5.2.3. Основные результаты
5.2.3 1. Постановка задачи численного моделирования
5.2.3.2 Сравнение эффективности различных нейросетевых алгоритмов
и архитектур и оценка чувствительности метода при работе на модельных данных
5.2.3 3. Сравнение результатов квазимодельной методической посгановки с результатами постановки задачи от эксперимента1
5.2.3 4. Исследование практической устойчивости решения по отношению к шумам входных данных
5.2.3.5. Исследование практической устойчивости решения по от ношению
к изменению параметров модели
5 2.3 6. Апробация метода в натурных условиях
5 2.4. Защищаемые положения раздела 5.2
6. Заключение и выводы
Благодарности
Литература


В подразделе 4. СУЭразряда по колебательновращательным спектрам собственного свечения СО низкого разрешения в отсутствие наложения спектральных полос и линий других веществ Подраздел 4. В подразделе 4 3 ИНС применяются для определения молекулярных параметров органических соединений методом насыщения флуоресценции. Раздел 5 посвящен решению обратных задач, для которых основной является методическая постановка от эксперимента, и где может быть также использована квазимодельная постановка. В подразделе 5. КР. В полразделе 5. ИНС применяются для выделения вкладов компонент в спектры флуоресценции смесей органических соединений. Как уже было сказано выше, результаты разделов 4 и 5 могут представлять интерес не только как иллюстрация положений, сформулированных в разделе 3, но и самостоятельно как результаты решения пяти актуальных обратных задач оптической спектроскопии Раздел 6 содержит заключение и выводы. Формулировка двух основных методических постановок задачи при использовании для решения обратных задач от модели и от эксперимента, а также промежуточной квазимодельной постановки Результаты исследования свойств и областей применимости этих постановок. Результаты исследования свойств и принципиальных отличий ИНС как метода решения образ ных задач от других методов. Подтверждение положительного влияния тренировки ИНС с шумом на устойчивость решения обратных задач в присутствии шумов входных данных на примере обратных задач оптической спектроскопии. Результаты решения пяти образных задач из различных областей оптической спектроскопии, показавшие преимущества алгоритмов, использующих ИНС. Данные защищаемые результаты диссертации сформулированы на основе частных защищаемых положений, которые формулируются в конце каждого подраздела с ориг инальными результатами разделы 3, 4 и 5. Всероссийская конференция Нейроинформатика, Москва, январь г. VIII Ii v i i i i i , , i, . Результаты, полученные с настоящей диссертации, опубликованы с статьях, в том числе в 5 статьях в реферируемых журналах ,,,,, в 5 статьях в сборниках статей , , , , и в 4 ста тьях в трудах конференции . Данная глава носит обзорный характер и излагает коротко общие сведения об архитектурах и алгоритмах обучения основных видов нейронных сетей и смежных аналитических алгоритмов, используемых в данной диссертации, а также некоторые другие общие вопросы, связанные с нейросетевой обработкой данных. Все описываемые методы объединяет одно они принадлежат к классу т. Автор не ставит целью подробное, последовательное и строгое с математической точки зрения рассмотрение идей, заложенных в описываемые архитектуры, а также описание истории развития этих идей. Информацию об этом можно найти в сборнике , вышедшем в году, в котором собраны переводы наиболее значимых работ, лежащих в основе современной нейросетевой теории. К сожалению, не слишком велико количество русскоязычных монографий и учебников, посвященных нейронным сетям, хотя в последние годы ситуация здесь стала меняться к лучшему отметим прежде всего очень хороший учебник А. С.А. Шумского , уже ставший библиографической редкостью, а также учебные пособия , . Наиболее распространенной нейросетевой архитектурой являются т. Не будет преувеличением утверждение, что по сей день около всех работ по применению ИНС используют этот нейросетевой алгоритм как наиболее простой и эффективный для решения огромного количества разнообразных задач. Упомянем здесь лишь несколько источников разною уровня пионерские работы , , , монографии , , , , , , популярные статьи и обзоры , , . Псрсептроны состоят из множества одинаковых вычислительных единиц нейронов. Формальный нейрон Рис. У ХИЛ. Г нелинейная передаточная функция, и,. Нейроны объединяются в слоистую структуру, которую и принято называть перселтроном Рис. Нейроны каждого слоя в традиционной архитектуре персептрона соединены с выходом каждого нейрона непосредственно предшествующего слоя полносвязная сеть. Нейроны входного слоя не являются нейронами в полном смысле как нейрон на Рис.