Разработка нейросетевых методов построения градуировочных характеристик сенсоров и сенсорных систем

• Автор: Хробостов, Дмитрий Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Москва
• Количество страниц: 191 с. : ил

СОДЕРЖАНИЕ
Введение

Глава 1. АНАЛИЗ ПРОБЛЕМЫ ГРАДУИРОВКИ СЕНСОРОВ И СЕНСОРНЫХ СИСТЕМ

1.1. Постановка задачи градуировки

1 .2 Методы построения градуировочных характеристик.

1.3. Нейронные сети.

1.4. Градуировка мультисенсорных систем для качественного анализа

1.5. Уточнение постановки задачи

Глава 2. ПОСТРОЕНИЕ ОДНОМЕРНЫХ ГРАДУИРОВОЧНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.

2.1. Проблемы использования ЙНС в задачах градуировки.

2.2. Алгоритм обучения нейронной сети с учетом априорной информации об общем характере зависимости.
2.3. Методика синтеза обучающего алгоритма с учетом априорной информации.
2.3.1. Формулы для различных видов зависимостей.
2.3.2. Выбор количества и способа размещения дополнительных пробных точек.
2.3.3. Выбор весового коэффициента п
2.4. Исследование нейросетевого метода градуировки и сравнение со статистическими методами.
Глава 3. ПОСТРОЕНИЕ МНОГОМЕРНЫХ ГРАДУИРОВОЧНЫХ ХАРАКТЕРИСТИК С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.
3.1. Особенности градуировки мультисенсорных систем.
3.2. Планирование эксперимента при градуировке мультисенсорных систем.
3.3. Метод построения многомерных градуировочных характеристик с помощью ИНС
3.4. Исследование разработанного метода
Глава 4. НЕЙРОСЕТЕВЫЕ МЕТОДЫ ГРАДУИРОВКИ ПРИБОРОВИДЕНТИФИКАТОРОВ ТИПА ЭЛЕКТРОННЫЙ НОС
4.1. Особенности задачи градуировки приборовидентификаторов
4.2. Исследование нейронной сети типа многослойный персептрон
4.3. Исследование самоорганизующейся нейронной сети.
4.4. Экспериментальные исследования.
Глава 5. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЙ
5.1. Разработка и применение прикладного нрофаммного обеспечения градуировки количественного типа для сенсоров и сенсорных систем .
5.2. Разработка прикладного программного обеспечения прибора
идентификатора типа Электронный нос язык
5.3 Применение ПО для распознавания сортов минеральной воды
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


X = У7 (2, р), например, исходя из знаний о физическом устройстве сенсора и принципе функционирования. Однако, как уже отмечалось, в ряде случаев не существует возможности получения точной математической модели градуировочной характеристики сенсоров, либо это может быть связано со значительными трудностями. Тем не менее, одной из особенностей задачи градуировки является то, что в большинстве случаев общая информация о виде этой зависимости все-таки имеется в наличии, либо ее можно достаточно просто получить, - это может быть информация о форме зависимости (выпуклая, вогнутая, линейная), о возрастании или убывании, о наличии экстремумов и т. При градуировке систем, содержащих несколько сенсоров -мультисенсорных систем, задача градуировки становится намного более сложной. Х&,г2,. У2 {2х,2г,. Л., хМ У„(2Хг,. Аналогично одномерному случаю, процедура градуировки реализуется путем совместных измерений (2 ,2 ),? X = '? Ф(Х). Поскольку исходная информация, полученная в ходе градуировочного эксперимента, в плоскости X) представляет собой конечное множество точек, возникает вопрос о последующей обработке информации. Поэтому при реализации процедуры градуировки вопрос о выборе метода получения градуировочной характеристики по экспериментальным данным является чрезвычайно важным. Методы построения градуировочных характеристик. Существует большое количество разнообразных методов построения градуировочных характеристик, в основном основанных на идеях и подходах прикладной математической статистики. Кратко рассмотрим основные принципы и особенности этих методов для одномерного случая, как наиболее наглядного и удобного для выяснения их сути []. Для того, чтобы не делать различия между прямой и обратной зависимостями, в данном разделе будем считать, что в общем случае выходной переменной является у, а входной переменной - х. При этом необходимо по экспериментальным данным, г. Обобщенная классификация основных методов показана на рис. Все методы, позволяющие решать указанную задачу, можно в разделить на две большие группы - на параметрические и непараметрические. Рассмотрим подробнее методы обеих групп. Рис. Параметрические методы предполагают предварительный выбор некоторого класса функций, которые адекватно описывают искомую зависимость. Далее предполагается вести поиск наиболее подходящей аппроксимации в рамках выбранного класса функций. Этот поиск сводится к нахождению наилучших в смысле некоторого критерия значений параметров, определяющих конкретный вид аппроксимирующей функции. В зависимости от конкретных условий параметрические методы могут применяться для получения моделей регрессионного анализа или для получения моделей конфлюентного анализа. Д0,ДРк ;е- случайная компонента. Ел^. Линейные по параметрам модели в настоящее время имеют наиболее широкое распространение. У = Ро+РХ + Рг*1 +е. Известны различные способы оценивания параметров, зависящие от предположений о характере распределения вероятностей случайной компоненты и другой априорной информации. Оценивание >5 сводится к решению системы линейных алгебраических уравнений. Метод наименьших квадратов, основанный на указанных выше предположениях, позволяет получить несмещенные оценки коэффициентов, которые также имеют наименьшие дисперсии по сравнению со всеми возможными несмещенными линейными оценками []. Если помеха подчиняется нормальному распределению, то МНК дает наилучшие несмещенные оценки параметров /? Однако МНК является оптимальным (вытекает из метода максимального правдоподобия) лишь при весьма ограниченных условиях. Тем не менее, на практике он широко применяется и при нарушении этих условий, как удобный для вычислений. Следует учитывать, что при этом погрешности построения зависимостей значительно увеличиваются. Поэтому часто целесообразнее использовать либо методы конфлюентного анализа, либо робастные (устойчивые) метода построения зависимостей, многие из которых близки к МНК, но учитывают отклонения реальных условий применения от тех предположений, при которых он оптимален.