CC BY
10
МОДЕЛИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОГО ГАЗОАНАЛИЗАТОРА, СПОСОБНОГО ФУНКЦИОНИРОВАТЬ В УСЛОВИЯХ НЕПОЛНОТЫ И ПРОТИВОРЕЧИВОСТИ
ИНФОРМАЦИИ
А.Н. Перегудов, к.т.н. A.B. Калач, к.х.н, доцент Ю.В. Спичкин, д.х.н., профессор
A.M. Чуйков, А.Г. Горшков, к ф-м.н. Ворнежский институт ГПС МЧС России
В последние годы благодаря достижениям микроэлектроники и мультисенсорных систем стало очевидным, что решение проблемы моделирования органов обоняния вполне возможно с использованием параллельной микропроцессорной обработки сигналов, поступающих от системы сенсоров, получивших название «электронный нос» [1]. При этом обработка информации протекает во времени в определенной последовательности. Анализ работы модели заключался в выполнении серии экспериментов, в результате которых происходит процесс самонастройки на поступающие от рецепторных нейронов сигналы. В результате накапливалась информация об анализируемом веществе.
На основе этого сделана попытка создать систему, работающую по принципу системы обоняния. В качестве обонятельных рецепторов системы типа «электронный нос» выбраны пьезосенсоры.
Пьезосенсоры осуществляют сбор первичной информации о природе и составе газовой фазы, то есть соответствуют обонятельным рецепторным нейронам первой подсистемы предлагаемой модели.
Y{X) = ft
X,Yjxicoi
(1)
Начальные условия: (о) = , - начальное значение функции
активации нейронов. Где первый множитель функция активации, X -матрица характеристик значений частотных сигналов, взвешенная сумма входных сигналов.
Сигналы пьезосенсоров, зависящие от их чувствительности и концентрации анализируемого вещества, группируются системой сбора и передачи информации во второй подсистеме модели. Для многоканальной регистрации сигналов пьезосенсоров в системе типа «электронный нос» и последующей передаче полученных данных в персональный компьютер была использована программируемая логическая интегральная схема
1=1
(ПЛИС) фирмы Altera. Такое решение позволило создать малогабаритную высокоинтегрированную систему сбора данных с гибкой структурой, поддерживающую функцию внутрисхемного программирования [2].
Выходной сигнал «электронного носа» обрабатывается в третьей подсистеме модели, которая располагается уже в ПК. Третья подсистема модели в системе типа «электронный нос» представлена многослойной нейронной сетью (МНС), способной обучаться по методу обратного распространения ошибки (back propagation). Суммарный сигнал системы типа «электронный нос» включает набор следующих трех параметров: максимальный частотный сигнал пьезосенсора за время анализа Д£тах(сигнал пьезосенсора к анализируемой пробе), время достижения rmax величины сигнала сенсора Afmax, площадь sSy фигуры, ограниченной
функцией Af=^(x) и осями OAf и От.
Для формирования важнейших качеств предлагаемой информационной системы - настраиваемость на определенное вещество и его идентификация в условиях возможной неполноты и противоречивости данных было принято решение включить в состав газоанализатора нейронную сеть [3].
Для анализа газовой смеси использована полносвязная ИНС (т.е. состоящая из нескольких слоев нейронов, причем каждый нейрон слоя i связан с каждым нейроном слоя i+1). Архитектура этой нейронной сети представлена на рис. 1.
X,
а)
Рис. 1. Архитектура нейронной сети: а) - входной слой; б) - промежуточные (скрытые слои); в) - выходной
слой
Обучение вели с точностью ±0,002. После упрощения и оптимизации топологии ИНС получили трехслойную однонаправленную сеть, состоящую из 22 нейронов. Число циклов обучения - 7006. Время обучения составляло 3 мин.
} : ' я - 9
Т\
б)
В)
Поставленная задача была решена с использованием всех входных параметров, наиболее значимые из которых учитывают число СН2- групп в молекуле кислоты. Поставленная задача решается с большей точностью, если обучающая выборка включает в себя физико-химические характеристики кислот и сорбентов. Полученные результаты позволили осуществить структурно-параметрическую оптимизацию системы. В табл. 1 приведены результаты тестирования ИНС.
Таблица 1
Результаты тестирования ИНС
Кислота Сорбент Значения коэффициента распределения
Нормированные Натуральные
Дано прогноз дано прогноз ошибка %
уксусная ПЭГ-500 -0,920 -0,8612 10 415 1,2
пропионовая ПЭГ-1000 -0,208 -0,2367 155 152 1,9
бутановая ПЭГ-2000 0,849 0,8835 300 303 1,0
По результатам тестирования системы установлено, что простейший метод градиентного спуска очень неэффективен в случае, когда производные по различным весам сильно отличаются. Простейшим методом ликвидации данного недостатка является введение момента ц, когда влияние градиента на изменение весов изменяется со временем. Дополнительным преимуществом введения момента является способность алгоритма преодолевать мелкие локальные минимумы.
При компьютерной идентификации веществ был установлен критерий идентификации с учетом воспроизводимости и селективности определений. Выбор этого критерия с! проводили с использованием вероятностного подхода: при однократном определении пробы критерий с! следует выбирать так, чтобы вероятность ложного обнаружения токсиканта (а) и вероятность ошибочной идентификации токсиканта (Ь) не превышали допустимый уровень. Вероятность пропуска сигнала оценивали с помощью функций Лапласа (Ф):
Ъ-1-2Ф®
По этой формуле можно рассчитать числовые значения Ь для некоторых с1, выраженных в единицах стандартного отклонения, в «сигмах».
Для оценки величины а применяли уравнение (2).
При этом Д, = | Оу — |.
Проведенные исследования позволяют предложить следующий алгоритм аналитического контроля органических токсикантов с использованием газоанализатора (рис. 2).
Рис. 2. Схема организации анализа токсикантов с использованием поверхностно модифицированных пьезорезонаторов
В результате настройки и оптимизации параметров ИНС средняя относительная погрешность обучения составила 5 %. Максимальные погрешности получены при малых содержаниях углеводородов в смеси и не превышают 8 %.
При этом диапазоны варьирования управляющих параметров обучения ИНС: коэффициенты активации - 0,5 - 1; обучения 0, 2 - 0,75; инерции - 0 - 0,5; количество циклов обучения - 2000 - 17500. Время обучения сети составляло не более 3 мин. Разработанные методики отличаются простотой и высокой чувствительностью.
Список использованной литературы
1. Воронков Г.С. Сенсорная система как нейронная семиотическая модель адекватной среды / Г.С. Воронков // Сравнительная физиология высшей нервной деятельности человека и животных. - М.: Наука, 1990. - С. 21 - 25.
2. Привалов A.A. Особенности проектирования РЭС с применением ПЛИС / Привалов A.A., Руфитский М.В. // Перспективные технологии в средствах передачи информации. - С. 120.
3. Воронков Г.С. Модельный подход как новая парадигма в теории связи в сенсорных системах / Г.С. Воронков // Вестн. Моск. ун-та. Сер. 16, Биология, 1993. - Вып. 1. - С. 3 - 10.
