автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование мультисенсорного газоанализатора в условиях неполноты и противоречивости информации
Автореферат диссертации по теме "Моделирование мультисенсорного газоанализатора в условиях неполноты и противоречивости информации"
ди^"' — На правах рукописи
_ У Л*
Перегудов Александр Николаевич
МОДЕЛИРОВАНИЕ МУЛЬТИСЕНСОРНОГО ГАЗОАНАЛИЗАТОРА В УСЛОВИЯХ НЕПОЛНОТЫ И ПРОТИВОРЕЧИВОСТИ ИНФОРМАЦИИ
Специальность 05.13.18-математическое моделирование, численные методы и комплексы программ 05.13.01-системный анализ, управление и обработка информации
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
1 7
ДЕН 2009
Воронеж-2009
003488938
Работа выполнена на кафедре физики Воронежского института МВД России
Научный руководитель: кандидат химических наук, доцент
Калач Андрей Владимирович
Официальные оппоненты: доктор технических наук, профессор
Сумин Виктор Иванович
доктор технических наук, профессор Абрамов Геннадий Владимирович
Ведущая организация: Воронежский государственный
технический университет
Защита состоится 28 декабря 2009 года в 15 часов в аудитории № 213 на заседании диссертационного совета Д 203.004.01 по защите докторских и кандидатских диссертаций при Воронежском институте МВД России по адресу: 394065, г. Воронеж, пр. Патриотов, 53.
С диссертацией можно ознакомиться в библиотеке Воронежского института МВД России.
С текстом автореферата можно ознакомиться на официальном сайте Воронежского института МВД России: www.vimvd.ru в разделе «Главная» - «Научная работа» «Диссертационные советы» - «Д 203.004.01».
Автореферат разослан 27 ноября 2009 г.
Ученый секретарь диссертационного совета
С.В. Белокуров
Актуальность темы. Информацию об окружающем мире человек получает посредством своих органов чувств. Анализ литературы позволяет с уверенностью говорить о том, что из всех органов чувств наименее изученным является обоняние. Многие годы предпринимались только спорадические попытки создания искусственных органов обоняния, в отличие, например, от искусственного «усиления» органов зрения (очки, бинокль, микроскоп и т.д.) или слуха (слуховой аппарат). И только 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, получившие название «электронный нос» (ЭН).
В связи с этим, представляет практический интерес разработка модели обонятельной системы, основанной на представлении системы в виде набора аппарат-нозависимых и аппаратнонезависимых примитивов, и разработки собственной системы управления. В диссертационном исследовании, сделана попытка создать электронный аналог системы обоняния типа «электронный нос», в котором в качестве обонятельных рецепторов использованы пьезосенсоры.
В качестве базовой, для создания системы, позволяющей проводить нераз-рушающий анализ веществ и материалов, была использована многоуровневая нейронная семиотическая модель, описывающая механизм работы обонятельной системы. Согласно этой модели, обонятельная система представляется в виде трех подсистем взаимодействия: 1-ая подсистема - сбор первичной информации; 2-ая подсистема - передача данных посредством программируемой логической интегральной схемой (ПЛИС) на ПК; 3-я подсистема - программный модуль сбора, обработки и последующего анализа сигналов пьезосенсоров.
Объект исследования - мультисенсорный газоанализатор.
Предмет исследования - модели, алгоритмы и комплекс программ функционирования газоанализатора.
Целью диссертационной работы является моделирование процессов функционирования и верификации мультисенсорного газоанализатора в условиях неполноты и противоречивости данных.
Для достижения поставленной цели осуществлена оценка современного состояния задачи, анализ научных публикаций по рассматриваемой теме и решены следующие задачи:
1) анализ условий и механизмов функционирования обонятельных систем;
2) исследование закономерностей функционирования мультисенсорного газоанализатора в условиях неполноты и противоречивости данных;
3) разработка математической модели обонятельной системы на основе ней-рокомпьютерной технологии;
4) разработка алгоритмов оптимизации параметров модели и верификация комплекса программ функционирования мультисенсорного газоанализатора в условиях неполноты и противоречивости данных;
5) создание системы интеллектуального контроля веществ с использованием мультисенсорного газоанализатора.
Методы проведения исследования. Для решения перечисленных задач в диссертационной работе были использованы методы оптимизации, методы распознавания образов (искусственные нейронные сети), методы статистики, теория вы-
бора и принятия решения. Общей методологической основой проведения исследований является системный подход.
Научная новизна работы. По результатам выполнения диссертационного исследования на защиту выносятся следующие основные результаты, характеризующиеся научной новизной:
-математическая модель системы обоняния, отличающаяся от существующих учетом основных закономерностей функционирования и использованием интеллектуальной обработки информации на основе нейрокомпьютерной технологии и обеспечивающая принятие решений в условиях неполноты и противоречивости данных;
-обоснование алгоритма оптимизации параметров нейронной модели обонятельной системы, позволяющих осуществлять настройку мультисенсорного газоанализатора;
-обоснование общего подхода и алгоритма оптимизации структуры нейронной сети, моделирующих обонятельную систему, позволяющих минимизировать время обработки информации мультисенсорным газоанализатором;
-разработка специального математического и программного обеспечения • функционирования газоанализатора, обработки информации и принятия решения в реальном масштабе времени.
Практическая значимость работы связана с применением основных результатов диссертационного исследования в виде разработанных методов, алгоритмов, комплекса программ позволяющих принимать решения в условиях неполноты и противоречивости данных и в реальном масштабе времени.
Достоверность результатов подтверждается использованием стандартных математических методов и результатами вычислительных экспериментов.
Внедрение результатов работы. Разработанные программные средства и структурно-параметрическая модель внедрены в практическую деятельность ООО «Луч» (г. Воронеж), в учебный процесс института Государственной противопожарной службы МЧС России.
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на: Всероссийской научно-практической конференции «Охрана, безопасность и связь» (Воронеж, 2005); III международной научно-технической конференции «Информационные технологии в науке, образовании и производстве» (Орел, 2008); Всероссийской научно-практической конференции «Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем» (Воронеж, 2009); III Всероссийской конференции с международным участием «Аналитика России» (Краснодар, 2009); Всероссийской научно-практической конференции «Охрана, безопасность и связь» (Воронеж, 2009).
По теме диссертации опубликовано 10 работ (4 статьи, 6 материалов докладов на научных конференциях) 4 статьи в периодических изданиях, рекомендованных ВАК России.
Объем и структура работы. Диссертационная работа состоит из введения, четырех глав, изложенных на 126 страницах машинописного текста, 42 рисунка, 9 таблиц, заключения, библиографического списка литературы, содержащего 112 наименований и приложения.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении приведена актуальность исследования, сформулирована цель и задачи работы. Рассмотрены особенности внедрения технологии интеллектуальных методов обработки информации в системы анализа веществ, материалов и изделий.
В первой главе работы проведен литературный обзор методов цифровой обработки сигналов. Рассмотрены преимущества и недостатки существующих методов. Обосновано решение о целесообразности использования нейронных сетей для обработки сигналов сенсоров системы для неразрушающего контроля веществ, материалов и изделий.
Во второй главе разработаны модель и алгоритм, имитирующие функционирование обонятельной системы. Представлены результаты моделирования системы обоняния. В качестве базовой была использована многоуровневая нейронная модель.
Общий принцип работы модели заключается в следующем: каждый новый набор входных стимулов обонятельной среды приводит к переходу функциональной системы обонятельной луковицы в определенное сочетание возбужденных и невозбужденных основных нейронов.
В разработанной модели процесс обработки информации протекает во времени в определенной последовательности. Под временем понимается ряд этапов преобразования данных при прохождении их от входа к выходу модели. 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. Этот выбор обусловлен тем, что пьезокварцевые резонаторы уже более 40 лет применяются для решения различных аналитических задач, таких, например, как оценка вклада в суммарный сигнал отдельного вещества или гомолога В работе применялись пьезокварцевые резонаторы (пьезосенсоры) АТ - среза с номинальной частотой 8 МГц (производство ОАО «Пьезо», Москва).
Пьезокварцевый резонатор представляет собой пластину, изготовленную из монокристалла пьезокварца с нанесенными с двух сторон металлическими электродами.
Пьезосенсоры осуществляют сбор первичной информации о природе и составе газовой фазы, то есть соответствуют обонятельным рецепторным нейронам первой подсистемы предлагаемой модели.
Блок схема системы типа «электронный нос» представлена на рис. I.
Рис. 1. Блок схема системы типа «электронный нос» 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 (ПЛИС) фирмы Altera. Такое решение позволило создать малогабаритную высокоинтегрированную систему сбора данных с гибкой структурой, поддерживающую функцию внутрисхемного программирования.
Выходной сигнал «электронного носа» обрабатывается в третьей подсистеме модели, который 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). Элементами такой сети являются нейроны, которые в зависимости от суммарного воздействия входных сигналов могут возбуждаться или тормозиться. В результате этого процесса формируется конкретный выходной сигнал. Каждый сигнал, поступающий по дендритам нервной клетки, характеризуется возбуждающей или тормозящей способностью, то есть обладает некоторым отрицательным или положительным весом. При достижении нейроном определенного порогового значения уровня возбуждения происходит его активизация, и по аксону передается сигнал другим элементам сети, которые образуют взаимосвязанный последовательный ряд слоев.
Суммарный сигнал системы типа «электронный нос» включает набор следующих трех параметров: максимальный частотный сигнал пьезосенсора за время анализа Д^^сигнал пьезосенсора к анализируемой пробе), время достижения rmx величины сигнала сенсора Afmax, площадь Sv фигуры, ограниченной функцией Af=^(t) и осями OAf и От.
В третьей главе представлены результаты проведения структурно-параметрической оптимизации архитектуры нейронной сети.
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. Это объясняется тем, что нейронная сеть представляет собой совокупность взаимосвязанных нейронов (полная аналогия с третьей подсистемой модели); процесс обучения нейронной сети, т.е. выбор оптимального набора весовых коэффициентов для идентификации определенного компонента, соответствует процессу настройки; способность нейронной сети (НС) компенсировать неполноту и противоречивость входной информации. Все это позволяет внедрить технологию интеллектуальных методов обработки информации в процесс газового анализа с целью увеличения его эффективности.
После формирования суммарного сигнала анализатора ЭН, создается база данных, в которую заносится информация о химической природе вещества и концентрации. На основе полученной информации формируется входной сигнал для слоя основных нейронов.
В качестве входных данных нейросеги выступает вектор значений частотных сигналов, полученных от пьезосенсоров, а также момент времени, в который был получен этот вектор. Таким образом, для анализа газовой среды на вход искусственных нейронных сетей (ИНС) подается матрица значений сигналов системы:
X =
h *и хи хш
хп xiJ Xim
X»J X„m пт
,/ = l,n,j = \,т
(1)
где X - матрица характеристик значений частотных сигналов, полученная в результате проведения опыта; ^ - момент времени, в который произошло формирование очередного вектора частотных сигналов, с; Хи- значение частотного сигнала >ого сенсора в ¡-й момент времени, / = 1,п,] = 1,т, п- количество сенсоров, ш -продолжительность проведения опыта.
На входной слой МНС подаются результаты обработки сенсорных данных (X;) нейронами слоя снижения размерности входного вектора. Слой снижения размерности сигнала, поступающего на вход нейронной сети, выполняет функцию синтеза единичного вектора на основе значений трех передаваемых параметров. Это позволяет использовать облегченную модель нейронной сети, и, как следствие, уменьшить время обработки и получения конечной информации.
Затем происходит процесс преобразования и передачи информации между внутренними слоями сети. При этом сравниваются значения требуемого выходного и смоделированного сигнала системы, а также рассчитывается ошибка по формуле
ем сигнала (у,) с выходного слоя системы.
Определение выходных данных сети. Для кодировки результатов анализа было принято решение о присвоении каждому одоранту уникального кода, по которому при формировании итогового отчета можно было бы восстановить текстовое представление выходных данных Код каждого вещества является уникальным числовым идентификатором одоранта, по которому происходит поиск в базе данных соответствующих характеристик вещества для формирования итогового отчета, содержащего результаты анализа газовой смеси. Код одоранта задается в соответствии с алгоритмом индексирования в момент добавления данного вещества в базу данных «Одорант». Этот параметр является постоянной величиной и при изменении остальных характеристик одоранта (обучающей выборки и основных сведений) остается прежним.
Во входном слое будет содержаться п - количество нейронов, соответствующие количеству пьезосенсоров с учетом момента времени снятия сигнала (п+1), в выходном слое будет содержаться один нейрон, выход которого - код вещества.
Определение основных характеристик нейронов. Нейрон, входящий в состав входного слоя нейросети имеет один синапс (вход), на который подается один из компонентов входного вектора сети, и один аксон, который связывает нейрон с нейронами следующего слоя. Вид такого нейрона представлен на рис. 2 а).
Для создания интеллектуальной составляющей автоматизированной системы газового анализа была использована среда разработки Borland Delphi 7.0 (СУБД -Paradox). Y;.
n 2
e= £|У1 - Dj| . Процесс исследования анализируемой среды завершается сняти-¡=1
а) ХУ б)
Рис. 2, Вид нейронов, а) - нейрон входного слоя; б) - нейрон промежуточного и выходного слоев
Разработанный программный продукт характеризуется высокой скоростью работы, наличием удобного графического интерфейса и наличием подсистемы помощи. Информационная система функционирует следующим образом, рис.3.
Рис. 3. Структурная схема взаимосвязи основных модулей информационной системы
Нейроны, образующие каждый скрытый слой, а также нейрон выходного слоя, имеют количество синапсов по числу нейронов в предыдущем слое и один аксон. Информация, поступающая с аксона нейрона выходного слоя, соответствует коду одоранта.
В качестве активационной функции (2) всех нейронов сети был выбран сиг-
моид:
; + е ®
Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет очень простую производную:
/'(*)= с^(дО(/-/(*)). (3)
При уменьшении параметра а сигмоид становится более пологим, вырождаясь в горизонтальную линию на уровне 0,5 при а=0. При увеличении а сигмоид все больше приближается к функции единичного скачка.
С увеличением числа слоев растет сложность вычислений и время расчета. Поэтому было принято решение о возможности изменения количества скрытых слоев и числа нейронов в них в процессе обучения сети. При этом пользователю необходимо самому принимать решение о целесообразности увеличения или уменьшения числа промежуточных слоев нейросети в зависимости от тех или иных показателей эффективности обучения.
Для проведения анализа газовой смеси использована полносвязная ИНС (т.е. состоящая из нескольких слоев нейронов, причем каждый нейрон слоя 1 связан с каждым нейроном слоя ¡+1). Архитектуру этой нейронной сети можно представить в следующем виде рис. 4:
а) б) в)
Рис.4. Архитектура нейронной сети: а) - входной слой; б) - промежуточные (скрытые слои); в) - выходной слой;
Задача нахождения функциональной зависимости при ограниченном наборе входных данных имеет в общем случае бесконечное множество решений.
Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки Е(со) НС, которая находится по методу наименьших квадратов:
i /-I
где yj - реальное значение j-ro выхода нейросети; dj - целевое (желаемое) значение j-ro выхода; р - число нейронов в выходном слое.
Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам.
Обучение нейросети проводили методом градиентного спуска - на каждой
итерации изменение веса производилось по формуле (5): дЕ
У Зоц
где Шц - весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя п-1 с j-ым нейроном слоя п, т\ - коэффициент скорости обучения, 0<г|<1.
д.Е дЕ fy, 9sj -----• + —+
до)у ду] дsj да>у (6)
где у; - значение выходами) нейрона; Sj - взвешенная сумма входных сигналов, определяемая по формуле (7):
(7)
Так как множитель <1у/(Ц является производной этой функции по ее аргументу, то производная активационной функции (2) должна быть определена на всей оси абсцисс. В связи с этим функция единичного скачка и прочие активацион-ные функции с неоднородностями не подходят для рассматриваемых ИНС. Поэтому применим сигмоид (2).
При этом слагаемое
— = X'.
д(Оу (8)
где X; - значение 1-го входа нейрона. Рассмотрим первое слагаемое в формуле (6) 8Е =у8Е 8ук = удЕ дук
д}'] к дук д*к кдук дзк >к ' (9)
где к - число нейронов в слое п+1.
Для удобства расчетов и оперирования данными введем вспомогательную переменную
1 Ъу] дsj ' (10)
В этом случае становится возможным определить формулу для определения б^ п-ного слоя, при известном следующего (п+1)-го слоя.
ду,
sfK
.к
8sj' (П)
Нахождение величины для последнего слоя НС не представляет трудности, так как известен целевой вектор (вектор тех значений, которые должна выдавать НС при данном наборе входных значений).
' ' (12)
Запишем выражение для определения весовых коэффициентов с учетом введенных переменных
= (13)
Таким образом полный алгоритм обучения нейросети состоит из следующих этапов (рис. 5).
1. Подача на вход НС один из требуемых образов и определить значения выходов нейронов нейросети.
2. Расчет £^для выходного слоя НС по формуле (12) и рассчитать измене-
(Ы)
ния весов Ла>у 'выходного слоя N по формуле (13);
3. Расчет по формулам (И) и (13) соответственно
и Ла): 'для остальных слоев НС, п = N—1.. 1.
4. Корректировка весов НС
5. В случае не достижения заданного пользователем уровня ошибки, обучение системы продолжается и переходит на шаг 1.
На этапе 2 сети поочередно в случайном порядке предъявляются вектора из обучающей последовательности.
По результатам тестирования системы установлено, что простейший метод градиентного спуска, очень неэффективен в случае, когда производные по различным весам сильно отличаются. Этот случай соответствует ситуации, при которой значение функции Б для некоторых нейронов близко по модулю к 1 или когда модуль некоторых весов много больше 1. В этом случае для плавного уменьшения ошибки надо выбирать очень маленькую скорость обучения, что неизменно приведет к значимому увеличению продолжительности обучения. Простейшим методом ликвидации данного недостатка является введение момента д, когда влияние градиента на изменение весов изменяется со временем. Тогда формула (13) примет следующий вид:
Ал>Р0)=-/!■$•>■-х? +Ма>,М(Н). (15)
Дополнительным преимуществом введения момента является способность алгоритма преодолевать мелкие локальные минимумы.
Оценку изменения уровня концентрации вещества, регистрируемого отдельным сенсором, проводят, используя график ее временной зависимости. По зависимости определяется время, при котором сигнал пьезосенсора достигает максимального значения ¿/^, а также площадь фигуры, ограниченной функцией А/" = с(г) и осью От ДУ^.
Рис. 5. Алгоритм обучения разработанной нейросети
В четвертой главе представлен оригинальный комплекс программ для функционирования системы типа «электронный нос» и результаты его верификации.
Шаг 1. Определить обучающее множество.
Для начала обучения необходимо задать текстовый файл, содержащий обучающее множество. Данный файл строится при помощи разработанного модуля Forming Data, формируемого на основе опытных данных.
Шаг 2. Задание полей и га свойства.
В отличие от данных для анализа оно содержит имена входных и целевого полей. Назначение каждому вектору входных значений определенного кода одо-ранта производится программно без участия пользователя в соответствии с базой данных «Одорант».
Для улучшения процесса подборки весов значения поля можно нормализовать. Процедура обучения нейросети предусматривает три вида нормализации, применяемой для каждого из полей, а также возможность нормализацию не производить.
Шаг 3. Задание параметров нейросети. Данный шаг является важнейшим для определения оптимальной архитектуры нейросети. Имеется возможность изменять число внутренних слоев и количество нейронов в них, а также изменять вид сигмоида - активационной функции нейронов сети.
Шаг 4. Определение критериев обучения. Этот этап позволяет определить основные параметры алгоритма обучения сети - скорость обучения, момент, а также позволяет назначить критерии остановки обучения - по количеству прошедших эпох, по максимальной и/или средней ошибках при обучении или тестировании.
Шаг 5. Запуск обучения системы. В процессе поиска оптимального набора весовых коэффициентов нейронов сети можно наблюдать графическое представление протекания процедуры обучения, а также контролировать уровень ошибок обучения и тестирования. Для произвольной остановки процесса в независимости от выполнения критериев остановки обучения необходимо нажать на кнопку «Остановка обучения».
Шаг 6. Расчет результатов. Данный шаг можно использовать для предварительной проверки эффективности работы нейросети, использовав ее для распознавания произвольного вектора входных данных. Для правильности проверки необходимо предъявлять на вход сети значения, попадающие в интервал обучения. По выходу сети можно судить о необходимости повторного обучения либо о возможности дальнейшего использования входных данных.
Результатом данной процедуры является специальный файл с настройками сети. В состав данной информационной системы входят база данных, включающая в себя следующие информационные массивы: таблица «Одорант»; таблица «Эталон»; таблица «Графика»;
Связь между этими базами представлена схемой (рис. 6).
Для комплексного сравнения работы сенсоров в различных условиях применяли профильный анализ (лепестковая диаграмма). Данный метод основан на том, что отдельные сигналы сенсоров, при их объединении, дают качественно новую характеристику исследуемого объекта. Выделение наиболее характерных особенностей для данного вещества позволяет установить профиль материала в целом, а также изучить влияние различных факторов (параметров) на суммарный образ -паттерн.
Для верификации разработанной системы газоанализатора типа «электронный нос» были использованы органические кислоты. В качестве критерия оценки сродства сенсоров по отношению к определяемым веществам выбран коэффициент распределения.
Для надежного прогнозирования численных значений коэффициентов распределения необходимо создание математической модели, учитывающей одновременно физико-химические свойства кислот и сорбентов.
Искусственная нейронная сеть построена по известному алгоритму на примере сорбции органических кислот.
Рис. 6. Структура базы данных системы
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. Поставленная задача была решена с использованием всех входных параметров, наиболее значимые из которых учитывают число СН2- групп в молекуле кислоты (рис.7).
Значимость1* "
о,«
12343678» 10 11
Номер сигнала
Рис.7. Значимость входных параметров ИНС (I-константа кислотности, 2,3,4,5,6-число СН2 групп, 7-диэликгрическая проницаемость, 8-коэффициент распределения, 9-электропроводность, 10-растворимость, 11-плотность энергии коге-зии)
Как видно из результатов тестирования такой нейронной сети (табл.1), нейронная сеть способна прогнозировать численные значения коэффициентов распределения кислот с относительной погрешностью не более 2 %.
Таким образом, на примере сорбции органических кислот показано, что использование ИНС позволяет получать информацию о значениях коэффициента распределения.
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.
Таблица 1. Результаты тестирования ИНС
Кислота Сорбент Значения коэффициента распределения
Нормированные | Нату| ральные
Дано прогноз дано прогноз ошибка %
уксусная ПЭГ-500 -0,920 -0,8612 410 415 1,2
пропионовая ПЭГ-1000 -0,208 -0,2367 155 152 1,9
бутановая ПЭГ-2000 0,849 0,8835 300 303 1,0
Проведенные исследования позволяют предложить следующий алгоритм аналитического контроля органических токсикантов с использованием газоанализатора (рис.8).
возможностям близка к природному аналогу, поскольку анализатор уже не пассивно отражает информацию о воздействии анализируемой среды, а проводит процесс самонастройки на данный аналит, компенсирует неточность поступающей информации (в условиях неполноты и противоречивости данных) и выдает результат. Кроме того, следует отметить быстроту проводимого анализа, а также малогаба-ритность измерительной системы.
Выражаю благодарность д.ф-м.н., профессору Меньших В.В., д.х.н., профессору Спичкину Ю.В. за ценные советы и рекомендации при выполнении диссертационного исследования.
Основные результаты и выводы по работе В ходе проведенного диссертационного исследования получены следующие результаты:
- на основе анализа закономерностей работы мультисенсорного газоанализатора разработана математическая модель системы обоняния с использованием интеллектуальной обработки информации искусственными нейронными сетями и способная функционировать в условиях неполноты и противоречивости данных;
-предложен алгоритм оптимизации параметров нейронной модели позволяющий осуществлять настройку газоанализатора на одорант, что сокращает время работы мультисенсорной системы;
-обоснованы алгоритм оптимизации структуры нейронной сети, моделирующей обонятельную систему, позволяющие минимизировать время обработки информации мультисенсорным газоанализатором;
-разработаны комплекс программ, обеспечивающий функционирование газоанализатора и принятие управленческих решений в режиме "on-line".
Основные публикации по теме диссертации
1. А.Н. Перегудов Портативные анализаторы спиртов. Алкотестеры, свободно реализуемые в торговой сети Часть 1 [Текст] / А.Н. Перегудов, A.B. Калач // Экологические системы и приборы. - 2005. - № 1.
2. А.Н. Перегудов Портативные анализаторы спиртов. Газоанализатор на основе пьезокварцевых сенсоров Часть 2 [Текст] / А.Н. Перегудов, A.B. Калач // Экологические системы и приборы - 2005. - № 2.
3. А.Н. Перегудов Применение газоанализаторов для обнаружения и идентификации взрывчатых и наркотических веществ [Текст] / А.Н. Перегудов, А.В.Калач, Ю.В.Спичкин, Ю.И. Дутов // Наука производству. - 2005. - № 6
4. А.Н. Перегудов Схемы возбуждения колебаний пьезокварцевых резонаторов, применяемых в методе пьезокварцевого взвешивания [Текст] / А.Н. Перегудов, A.B. Калач, А.И.Ситников, В.В. Рыжков II Математическое моделирование информационных и технологических систем. Материалы сборника научных трудов. ВГТА.- Воронеж - 2005. С. 182 - 188.
5. А.Н. Перегудов Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики [Текст] / А.Н. Перегудов, A.B. Калач, А.А.Киселев // Известия Орел ГТУ. - 2008. С.85-88.
6. А.Н. Перегудов Разработка мультисенсорной системы на основе методов искусственного интеллекта для определения некоторых токсикантов в воздухе [Текст] / А.Н. Перегудов, A.B. Калач, А.И.Ситников II Известия Орел ГТУ. - 2008. С.88-95.
7. А.Н. Перегудов Система сбора и передачи сигналов интеллектуальной мультисенсорной системы [Текст] / А.Н. Перегудов, A.B. Калач, Ю.В. Спичкин // Всероссийской научно-практической конференции «Охрана, безопасность и связь»: Сборник материалов / Воронежский институт МВД России. - Воронеж, 2005.-С. 105—151.
8. А.Н. Перегудов Моделирование системы обоняния [Текст] / Перегудов А.Н. //Вестник Воронежского института МВД России. - 2009. -№3. -С.109-114.
9. А.Н. Перегудов Разработка системы обоняния типа «электронный нос» на основе пьезорезонаторов и искусственных нейронных сетей [Текст] / А.Н.Перегудов, A.B. Калач, А.И. Ситников //Вестник Воронежского института МВД России. - 2009. -№3. —С.114—119.
10. А.Н. Перегудов Применение электронного носа в контроле качества молочной продукции [Текст] / А.Н.Перегудов, A.B. Калач, А.И. Ситников, В.А. Логинов, A.C. Соловьев, В.Ф. Селеменев, К.К. Полянский // Материалы III Всерос. конф. с междунар. участием «Аналитика России», Кубанский гос. университет, Краснодар, 2009. С. 153.
Подписано в печать 25.11.2009 г. „ _ -
Усл.печ.л. 0,93. уч.-изд. Л. 1. Формат 60x84 1/16. Тираж 100 экз. Заказ № Типография Воронежского института МВД России, 394065, г. Воронеж, проспект Патриотов, 53.
Оглавление автор диссертации — кандидата технических наук Перегудов, Александр Николаевич
ВВЕДЕНИЕ
ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ МОДЕЛИРОВАНИЯ
ОБОНЯТЕЛЬНОЙ СИСТЕМЫ
1.1. Особенности функционирования и практического использования системы типа «электронный нос»
1.2. Механизмы работы биологической обонятельной системы
1.3. Существующие методы моделирования систем типа «электронный нос»
1.4.Структурно-параметрический синтез в оптимизации управления системы
1.5. Общая схема проведения исследований
ГЛАВА 2. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ, ИМИТИРУЮЩИХ ФУНКЦИОНИРОВАНИЕ ОБОНЯТЕЛЬНОЙ СИСТЕМЫ
2.1. Выбор алгоритма функционирования нейронной сети
2.2. Определение архитектуры нейронной сети
2.3. Общая схема функционирования системы типа «электронный нос»
ГЛАВА 3. РАЗРАБОТКА КОМПЛЕКСА ПРОГРАММ ФУНКЦИОНИРОВАНИЯ, ОБРАБОТКИ ИНФОРМАЦИИ СИСТЕМЫ ТИПА «ЭЛЕКТРОННЫЙ НОС»
3.1. Разработка электронного аналога системы обоняния
3.2. Выбор алгоритмов обработки информации в системе типа «электронный нос»
3.3. Особенности структуры и функционирования комплекса 83 программ
ГЛАВА 4. ФУНКЦИОНИРОВАНИЕ И ВЕРИФИКАЦИЯ КОМПЛЕКСА ПРОГРАММ СИСТЕМЫ «ЭЛЕКТРОННЫЙ НОС»
4.1. Программное обеспечение функционирования системы типа «электронный нос»
4.2. Структурно-параметрический синтез архитектуры нейронной сети
4.3. Апробация и сравнительный анализ результатов использования системы типа «электронный нос»
Введение 2009 год, диссертация по информатике, вычислительной технике и управлению, Перегудов, Александр Николаевич
Задача создания и развития новых информационных технологий, обеспечивающих многократное ускорение процесса информатизации общества, представляет значительный практический интерес. Однако научно-технической проблемой в этой области является реализация систем приема, обработки и передачи потоков информации в реальном масштабе времени.
В последние годы в области теории автоматического управления значительно возрос интерес к новым нетрадиционным подходам направленным на интеллектуализацию систем управления [1].
К таким подходам можно отнести жестко детерминированные экспертные. системы на базе нечеткой логики (fuzzy logic) и эволюционные методы моделирования, включающие генетические алгоритмы и искусственные нейронные сети (ИНС) [1].
Причем ИНС представляет собой не столько совокупность заимствованных из нейрофизиологии моделей параллельных вычислительных структур, сколько инструмент для создания искусственного интеллекта.
Первый этап становления ИНС можно представить в виде попытки синтезировать из набора сравнительно просто функционирующих нейронов некоторую упорядоченную структуру, способную выполнять сложные нелинейные преобразования «вход-выход». В настоящее время, по мере достижения успеха в решении задач первого этапа, передний фронт исследований перемещается в область психологии, когнитивных наук. Задача современных исследователей заключается в том, чтобы установить, какие сверхструктуры нейронов и как могут моделировать элементарные акты мыслительной деятельности, а затем воплотить эти принципы в работу систем управления.
Известно, что мышление человека невозможно вне языка. Все явления внешнего мира нашли отражение в языке в виде категорий. Слова представляют собой не просто наборы звуков, за каждым из них стоят какие-то конкретные, но достаточно общие представления. Изучая мир, мозг накапливает информацию, упорядочивает ее и далее происходит то, что психологи называют когнитивным сжатием. Эмпирические знания преобразуются в компактную форму, удобную для оперирования, которая, однако, несет в себе наиболее типические и важные черты исследуемого объекта [2].
Известно, что кроме нейронов никаких других операционных единиц, участвующих в обработке информации, в мозге нет. Поэтому можно предположить, что за каждым представлением картины мира находится конкретный фрагмент нейронной сети мозга. Создать образ объекта (или скорректировать уже имеющийся) означает тренировку этого фрагмента до состояния когда его реакции на возбуждение не отличаются от реакций объекта, известных из жизни. При этом ИНС должна уметь хранить опыт общения с объектом не в виде хронологически (или по какому-то другому принципу) упорядоченных эпизодов, а в виде собственной структуры, то есть непосредственно послойной архитектуры и сил синаптических связей между нейронами.
Человек ретроспективно «проигрывает» в голове прошлое и проецирует настоящее на будущее. Знания о мире (прежний опыт) составляет основу виртуальной реальности, существующей в сознании человека как отражение внешнего мира. Именно умение мысленно эмулировать мир, оперировать его образами и дает человеку возможность планировать свое поведение, предвидеть события и ориентироваться в пространстве потенциальных возможностей.
В настоящей работе продемонстрированы возможности вычислительных технологий ИНС в решении задач создания интеллектуальных информационных систем. В работе создана нейросетевая модель информационной системы, которая не только умеет строить внутренние представления о внешнем мире, прогнозировать поведение объекта управления, но также обладает способностью осуществлять оптимальное управление в соответствии с требованиями модели.
Заключение диссертация на тему "Моделирование мультисенсорного газоанализатора в условиях неполноты и противоречивости информации"
Основные результаты и выводы по работе
В ходе проведенного диссертационного исследования получены следующие результаты:
- на основе анализа закономерностей работы мультисенсорного газоанализатора разработана математическая модель системы обоняния с использованием интеллектуальной обработки информации искусственными нейронными сетями и способная функционировать в условиях неполноты и противоречивости данных;
-предложен алгоритм оптимизации параметров нейронной модели позволяющий осуществлять настройку газоанализатора на одорант, что сокращает время работы мультисенсорной системы;
-обоснован алгоритм оптимизации структуры нейронной сети, моделирующей обонятельную систему, позволяющие минимизировать время обработки информации мультисенсорным газоанализатором;
-разработан комплекс программ, обеспечивающий функционирование газоанализатора и принятие управленческих решений в режиме "on-line".
-разработанные программные средства и структурно-параметрическая модель внедрены в практическую деятельность ООО «СВ-Луч» и в учебный процесс Воронежского института Государственной противопожарной службы МЧС России.
Библиография Перегудов, Александр Николаевич, диссертация по теме Математическое моделирование, численные методы и комплексы программ
1. Перегудов А.Н. Применение искусственных нейронных сетей в сенсорных системах анализа и диагностики / А.Н. Перегудов, A.B.Калач, А.А.Киселев // Известия Орел ГТУ.- 2008. -№1-3/269(544).- С.85-88.
2. Воронков Г.С. Нейрофизиологические механизмы и обработка сенсорной информации на первом синаптическом уровне в обонятельном анализаторе: дис. д-ра биол. наук / Г.С. Воронков.- М.: МГУ, 1990.
3. 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. 9-21.
4. 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.
5. Sensory information: attempt to define and to generalize / G.S. Vo-ronkov // Int. J. Psychophysiology.- 1998. vol. 30.-№l-2.- p.138.
6. Самосонов C.B. Как воспринимаются запахи / С.В.Самосонов // Наука и жизнь.- 1988.- №4.-С104-123.
7. Прохоров А.И. Бионика вчера и сегодня (по материалам зарубежной печати) / А.И. Прохоров.- Сост. М: Знание, 1969.- С. 24 25.
8. Воронков Г.С. Компьютерное моделирование обработки информации в обонятельной системе. П.Механизмы опознания и кратковременного запоминания в обонятельной луковице / Г.С.Воронков, В.А. Изотов // Биофизика.- 2001.- т. 46.- вып. 4.- с. 704-708.
9. Изотов В.А. Компьютерное моделирование обработки информации в обонятельной системе. III. Воспроизведение психофизических феноменов компьютерной моделью обонятельной луковицы / В.А.Изотов, Г.С. Воронков // Биофизика.- 2002.- т. 47.- вып. 5.- с. 914-919.
10. Воронков Г.С. Компьютерная модель формирования и функционирования нейронных элементов в обонятельной коре / Воронков Г.С., Изотов В.А. // Нейрокомпьютеры: разработка и применение.- 2006.- № 4-5.-с.49-58
11. Изотов В.А. Организация входного воздействия при компьютерном моделировании обонятельной системы / Изотов В.А., Воронков Г.С. //Биофизика.- 1999.- т. 44.- вып. 1.- с. 120- 122.
12. The program complex for recognition of smells // Optical memory & Neural Networks. In press.
13. Калач A.B. Пьезосенсоры в мониторинге окружающей среды / A.B. Калач // Эколог, системы и приборы.- 2004.- №10.- С. 8 11.
14. Калач A.B. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров / А.В.Калач // Нейрокомпьютеры: разработка и применение. -2003.- №10 -11.-С.25-36.
15. Перегудов А.Н. Моделирование системы обоняния / А.Н. Перегудов //Вестник Воронежского института МВД России.- 2009.- №3.- С. 109114.
16. Винберг А.И. Криминалистическая одорология / А.И. Винберг //Криминалистика на службе следствия.- Вильнюс, 1967.- С. 3.
17. Цветков П.П. Об использовании обонятельного анализатора в целях криминалистического отождествления личности / П.П. Цветков // Правоведение.-1970.- № 3.- С. 134 137.
18. Винников Я.А. Биосенсоры органов чувств / Я.А.Винников // Эволюция рецепторов.-JI: Наука, 1979.
19. Ганшин В.М. От обонятельных моделей к "электронному носу": (Новые возможности параллельной аналитики) / Ганшин В.М., Чебышев A.B. // Специальная техника.- 1999.- № 1-2.
20. Осовский С.М. Нейронные сети для обработки информации / С.М. Оссовский.- М.: Финансы и статистика, 2002.- 344 с.
21. Кругленко И.В. Интеллектуальные мультисенсорные системы для химического анализа: «Электронный нос» / Кругленко И.В., Снопок Б.А., Ширшов Ю.М., Венгер Е.Ф. // Конф. "Сенсор 2000",- СПб, 2000,- С. 110.
22. Перегудов А.Н. Разработка системы обоняния типа «электронный нос» на основе пьезорезонаторов и искусственных нейронных сетей / А.Н.Перегудов, A.B. Калач, А.И. Ситников //Вестник Воронежского института МВД России. 2009.- №3. -С. 114-119.
23. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А.- Харьков: Основа, 1997. -112 с.
24. Мазитова P.M., Охотская В.И., Пучкин Б.И. Обоняние и его моделирование / Мазитова P.M., Охотская В.И., Пучкин Б.И. -М.:. СО АН СССР, 1966.
25. Романченко В. IT-байки: Наноструны — ключ к искусственному обонянию?электронныйресурс.-Режимдоступа: http://www.3dnews.ru/editorial/itnose
26. Калач A.B. Применение искусственных нейронных сетей для определения нитрометана, гексана и бензола в воздухе / Калач A.B. // Изв. Вузов. Химия и хим. Технология.- 2004.- Т. 47.- № 9.- С. 146-148.
27. Яблоков М.Ю. Самоорганизация наночастиц палладия при формировании металл-полимерных покрытий / Яблоков М.Ю., Завьялов С.А., Оболонкова Е.С. // Журн. физ. химии.- 1999.- т.73.- №2.- с.219-223.
28. Долгополов Н.В. "Электронный нос" новое направление индустрии безопасности / Долгополов Н.В., Яблоков М.Ю. // Мир и безопасность. -2007.- № 4.- с. 54-59.
29. Хайкин С. Нейронные сети: полный курс / Хайкин С.// 2-е изд.-М.: Вильяме, 2006.
30. Комарцова Л.Г. Нейрокомпьютеры / Комарцова Л.Г., Максимов A.B. М.: Изд-во МГТУ им. Баумана, 2002.
31. Головко В.А. Нейронные сети: обучение, организация и применение. М., ИПРЖР, 2001.
32. Яхъяева Г.Э. Основы теории нейронных сетей / Яхъяева Г.Э. // Интернет-университет информационных технологий, изд-во "Открытые системы".
33. Тархов Д.А. Нейронные сети. Модели и алгоритмы/ Тархов Д.А. (Справочник.) М.: Радиотехника, 2005.
34. Доленко С.А. Адаптивное построение иерархических нейросе-тевых классификаторов / Доленко С.А., Орлов Ю.В., Персианцев И.Г., Шугай Ю.С. // Нейрокомпьютеры: разработка, применение. -2005.- №1-2.- с.4-11.
35. Акимов C.B. Компьютерные модели для автоматизированного структурно-параметрического синтеза / Акимов C.B. //Компьютерное моделирование 2004: Труды 5-й международной конференции. Часть 1.- СПб.: Нестор, 2004.-С. 191-197.
36. Акимов C.B. 4-уровневая интегративная модель для автоматизации структурно-параметрического синтеза / Акимов C.B.// 57-я НТК: материалы / СПбГУТ.- СПб, 2004.- С. 102-103.
37. Акимов C.B. Компьютерные модели для автоматизированного структурно-параметрического синтеза / Акимов C.B.// Компьютерное моделирование 2004: Труды 5-й международной конференции. Часть 1.-СП6.: «Нестор», 2004.-С. 191-197.
38. Акимов C.B. Опыт создания универсальной модели лестничной цепи // Труды учебных заведений связи / СПбГУТ. СПб, 2004. № 170. С. 96101.
39. Акимов C.B. Универсальные модели: принципы создания и сферы использования // Труды второй всероссийской научной конференции . 4.2/Самара, 2005, С. 14-17.
40. Акимов C.B. Универсальная модель усилительного 4-полюсника СВЧ-диапазона // Труды 5-й международной НГЖ «Методы и алгоритмы прикладной математики в технике, медицине и экономике». Часть 2 / Новочеркасск, 2005, С. 43-49.
41. Hagan, M. T., and M. Menhaj, "Training feedforward networks with the Marquardt algorithm," IEEE Transactions on Neural Networks, vol. 5, no. 6, pp. 989-993,1994.
42. Горбань А.Н. Обучение нейронных сетей, M.: СП ПараГраф,1991
43. Горбань А.Н. Нейроинформатик / Горбань А.Н., Дунин-Барковский В.Л., Кардин А.Н. // Отв. Ред. Новиков Е.А., РАН. Сиб. Отд.
44. Caudill, M., and С. Butler, Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, MA: 1992.
45. Крисилов B.A., Олешко Д.Н., Трутнев A.B. Применение нейронных сетей в задачах интеллектуального анализа информации / Крисилов В.А., Олешко Д.Н., Трутнев A.B.// Труды Одесского политехнического университета.- Вып.2.- 1999.-с. 134.
46. Роберт Хехт-Нильсен. Нейрокомпьютинг: история, состояние, перспективы. // Открытые системы, N4, 1998.
47. Р. Patrick. Minimisation methods for training feedforward Neural Networks. //NEURAL NETWORKS, 1994, Volume 7, Number 1, P. 1-11
48. Нейронные сети. STATISTIC A Neural Networks.// M.: Горячая линия-Телеком, 2000 г. с. 182.
49. Гарри Смит Н.Др. Прикладной регрессионный анализ. Множественная регрессия— 3-е изд. — М.: «Диалектика», 2007. — С. 912.
50. Радченко Станислав Григорьевич, Устойчивые методы оценивания статистических моделей: Монография. — К.: ПП "Санспарель", 2005. — С. 504.
51. Уэйкерли Дж.Ф. Проектирование цифровых устройств. В 2 томах/ Дж.Ф. Уэйкерли // М.:Постмаркет, 2002.
52. Угрюмов Е.П. Цифровая схемотехника / Угрюмов Е.П. // СПб.: БХВ-Петербург, 2000. 528 с.
53. Лобачев Г.А. Сравнение характеристик ПЛИС Xilinx и ALTERA / Лобачев Г.А. // Международная научно-техническая Конференция "Новые методологии проектирования изделий микроэлектроники" «New design methodologies» -Владимир, 2003 г.
54. Plotnikov P., Lobachev G., Comparison XILINX and ALTERA FPGAs // in Proceedings of International Scientific Conference Informatics, Mathematical Modelling and Design in the Technics, Controlling and Education (IMMD'2004), Vladimir, 2004. p. 137 139.
55. Altera Corporation, Data Book, 2003
56. StratixGXFPGAFamily электронныйресурс.-Режимдоступа: //http://www.altera.com/literature/ds/dssgx.pdf
57. Самая большая ПЛИС электронныйресурс.-Режимдоступа: http://www.osp.ni/cw/2002/31/000 19.htm
58. The Programmable Logic Data Book, электронныйресурс.-Режимдоступа: Xilinx, Inc., 2003
59. Virtex-II Pro™ Platform FPGAs: Introduction and Overview элек-тронныйресурс. .-Режимдоступа:/ http://direct.xilinx.com/bvdocs/publications/ds083 .pdf
60. Привалов А.А. Особенности проектирования РЭС с применением ПЛИС / Привалов А.А., Руфитский М.В. // Перспективные технологии в средствах передачи информации.-С120.
61. Стешенко В. Тенденции и перспективы развития ПЛИС и их применение при проектировании аппаратуры ЦОС // Стешенко В. Шипу-лин С. Храпов В. // Компоненты и технологии.- №8.- 2000.-С.-56-58.
62. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 1. Алгоритмы, элементная база, способы реализации. Компоненты и технологии.- №3.- 2000.-с69-73.
63. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 14. Программируемые аналоговые интегральные схемы. Компоненты и технологии.- №1.- 2002.-с89-93.
64. Мак, W.-K. I/O Placement for FPGAs With Multiple I/O Standards // IEEE Transactions on, Computer-Aided Design of Integrated Circuits and Systems Volume: 23, Issue: 2, Year: Feb. 2004. Page(s): 315- 321
65. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 12. Языки описания аппаратуры. Язык описания аппаратуры Verilog HDL. Компоненты и технологии, №6, 2001.-С.23-26.
66. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 13. Языки описания аппаратуры. Язык описания аппаратуры Verilog HDL. Компоненты и технологии.- №7.- 2001.-С-45-48.
67. Уитби Б. Искусственный интеллект: реальна ли Матрица / пер. с англ. Т. Новиковой. М.: ФАИРПРЕСС, 2004, 224 с.
68. Уэйкерли Дж.Ф. Проектирование цифровых устройств. В 2 томах/ Дж.Ф. Уэйкерли . М.:Постмаркет, 2002.
69. Новиков Ф.А. Дискретная математика для программистов / Ф.А. Новиков// СПб.: Питер, 2002. 304 с.
70. Долинин А.Г. Развитие программного и математического обеспечения САПР нелинейных аналоговых устройств/ Долинин А.Г. // Канд. диссертация- Владимир, ВГТУ, 1996, 200 с.
71. Мосин С.Г. Развитие математического и программного обеспечения подсистемы тестирования для САПР аналоговых и смешанных интегральных схем / Мосин С.Г. // Канд. диссертация. Владимир, ВлГУ, 2000, 175 с.
72. Норенков И.П. Системы автоматизированного проектирования электронной и вычислительной аппаратуры / Норенков И.П., Мани-чев В.Б. // Учеб. Пособие для вузов. М.: Высш. Школа, 1983. 272 с, ил.
73. Привалов A.A. Особенности проектирования РЭС с применением ПЛИС / Привалов A.A., Руфитский М.В. // Перспективные технологии в средствах передачи информации
74. Рабинер Л. Теория и применение цифровой обработки сигналов / Рабинер Л., Гоулд Б. // Перевод с англ. Под ред. Ю.Н. Александрова. М: Мир, 1978.
75. Данчул А.Н. Системотехнические задачи создания САПР / А.Н. Данчул, Л.Я. Полуян // Практ. пособие Под ред. A.B. Петрова -М.: Высш. шк., 1990 .144 с.
76. Комолов Д.А. Системы автоматизированного проектирования фирмы Altera MAX+plus II и Quartos П / Комолов Д.А. Мяльк P.A. Зобенко
77. A.A. Филиппов A.C.// Краткое описание и самоучитель М: Радиософт, 2002.
78. Корнеев В.В. Параллельные вычислительные системы / Корнеев
79. B.В.//М.: «Нолидж», 1999.320 с.
80. Корячко В.М. Теоретические основы САПР / Корячко В.М. Ку-рейчик И.П. Норенков // Учебник для вузов. М.: Энергоатоимздат, 1987. 400 с.
81. Стешенко В. Школа схемотехнического проектирования устройств обработки сигналов // Занятие 14. Программируемые аналоговые интегральные схемы. Компоненты и технологии.- №1.- 2002.-С75-86.
82. Тема 2. Основы теории языков и формальных грамматик. Способы записи синтаксиса языка // http://www.softcraft.ru/translat/lect/t02-04.shtml
83. Угрюмов Е.П. Цифровая схемотехника / Угрюмов Е.П. // СПб.: БХВ-Петербург, 2000. -528 с.
84. Фундаментальные алгоритмы на С++. Алгоритмы на графах // Пер. с англ. Роберт Седжавик. СПб:000 «ДиаСофтЮП», 2002. 496 с.
85. А.Б. Сергиенко Цифровая обработка сигналов / А.Б. Сергиенко // СПб.: Питер, 2002. 608 с: ил.
86. Шипулин С. ПЛИС элементная база систем управления и обработки сигналов XXI века / Шипулин С. Губанов Д.
87. Калач A.B., Коренман Я.И., Нифталиев С.И. Искусственные нейронные сети вчера, сегодня, завтра. Воронеж: Воронеж, гос. технол. акад., 2002, 291 с.
88. Калач A.B. Мультисенсорные системы. Применение методологии искусственных нейронных сетей для обработки сигналов сенсоров // Нейрокомпьютеры: разработка и применение.- 2003- №10-11.-С68.
89. Калач A.B. Мультисенсорная система «электронный нос» Сообщение 1 / Калач A.B., Журавлева Е.В., Рыжков В.В., Перегудов А.Н Сопоставление с природным аналогом // Диагностика. Контроль.- 2005.- №12.-С47.
90. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Ма-хотило К.В., Петрашев С.Н., Сергеев С.А. // Харьков: Основа, 1997.- 112 с.
91. Осовский С.М. Нейронные сети для обработки информации / Осовский С.М. // М.: Финансы и статистика.- 2002.- 344 с.
92. Калач A.B. Мультисенсорная система "электронный нос". Часть 2 / Калач A.B., Журавлева Е.В., Рыжков В.В. и др. Сбор, обработка и анализ сигналов// Диагностика. Контроль,- 2006.- №1.-С52.
93. Калач А.В Мультисенсорная система "электронный нос". Часть 3. / Калач A.B., РыжковВ.В. Разработка экспертной системы// Диагностика. Контроль, 2006, №2.-С.65.
94. Родина Т.Г. Сенсорный анализ продовольственных товаров . М.: Изд. центр «Академия», 2004, 208 с.
95. Калач A.B. Нейрокомпьютеры: разработка и применение, 2003, № 10-11,43.
96. К. Райхардт, Растворители и эффекты среды в органической химии, Мир, Москва, 1991, 763 с. С. Reichardt, Solvents and Solvent Effects in Organic Chemistry, VCH, Weinheim, 1988.
97. Горбань А.Н., Обучение нейронных сетей, ParaGraph, Москва, 1990, 160 с.
98. Золотов Ю.А. Аналитическая химия в начале XXI века // Завод, лабор. Диагнос. материалов, 2002, Т. 68, №1, С. 14-21.
99. Искусственный интеллект: применение в химии / под ред. Т. Пирса, Б. Хони. М.: «Мир», 1988, 430 с.
100. Кругленко И.В. Интеллектуальные мультисенсорные системы для химического анализа: «Электронный нос» / Кругленко И.В., Снопок Б.А., Ширшов Ю.М., Венгер Е.Ф. // Конф. «Сенсор 2000»,- СПб, 2000.- С. 110.
101. Калач A.B. Определение нитроуглеводородов в воздухе с применением «электронного носа» // Всерос. конф. «Аналитика России». М.,2004.-С. 104.
102. Брандт 3. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров. М.: Мир, ООО «Изд-во ACT», 2003, 686 с.
103. Калач A.B. Способ экспресс-идентификации реальной товарной марки бензинов / Калач A.B.// Химическая промышленность сегодня.2005.-№7.- С. 22-25.
104. Воронков Г.С., Изотов В.А. Компьютерная модель нейронных механизмов обработки информации на первом синаптическом уровне обонятельной системы / Воронков Г.С., Изотов В.А. // Интеллектуальные системы.- 1998,- Т.З.- вып. 1-2.- С. 87-108.
105. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере / Горбань А.Н., Россиев Д.А. 11 Новосибирск: Наука, 1996.- 126 с.
106. Царегородцев В.Г. Нейрокомпьютеры: разработка и применение, 2003, № 7,3.
-
Похожие работы
- Мультисенсорная система контроля пожарной безопасности летучих компонентов строительных материалов
- Многоканальные переносные инфракрасные газоанализаторы для контроля транспортных выбросов
- Химические сенсоры для контроля серосодержащих соединений в атмосферном воздухе и технологических газовых средах
- Оптико-акустический газоанализатор оксида углерода для мониторинга атмосферного воздуха
- Многокомпонентные переносные инфракрасные газоанализаторы для контроля транспортных выбросов
-
- Системный анализ, управление и обработка информации (по отраслям)
- Теория систем, теория автоматического регулирования и управления, системный анализ
- Элементы и устройства вычислительной техники и систем управления
- Автоматизация и управление технологическими процессами и производствами (по отраслям)
- Автоматизация технологических процессов и производств (в том числе по отраслям)
- Управление в биологических и медицинских системах (включая применения вычислительной техники)
- Управление в социальных и экономических системах
- Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей
- Системы автоматизации проектирования (по отраслям)
- Телекоммуникационные системы и компьютерные сети
- Системы обработки информации и управления
- Вычислительные машины и системы
- Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)
- Теоретические основы информатики
- Математическое моделирование, численные методы и комплексы программ
- Методы и системы защиты информации, информационная безопасность