neironne_seti_i_neirokompjuter (Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)), страница 5
Описание файла
Файл "neironne_seti_i_neirokompjuter" внутри архива находится в папке "Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)". PDF-файл из архива "Учебник - Нейронные сети и нейрокомпьютеры (Круг П.Г.)", который расположен в категории "". Всё это находится в предмете "нейронные вычислительные сети" из 7 семестр, которые можно найти в файловом архиве РТУ МИРЭА. Не смотря на прямую связь этого архива с РТУ МИРЭА, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "нейронные вычислительные сети" в общих файлах.
Просмотр PDF-файла онлайн
Текст 5 страницы из PDF
Также добавлена категория «Нет» дляобозначения ситуации, когда отсутствуют все перечисленные запахи.Параметры, используемые для обучения и тестирования нейронной сети салгоритмом обратного распространения и нечеткой ART-сети, представленыв табл. 1.2.Обе нейронные сети были обучены с использованием произвольновыбранных представительских выборок. Следует отметить, что приобучении во многих случаях не ставится задача, чтобы подготавливаемаянейронная сеть определяла уровни концентрации того или иного вещества.Наоборот, при обучении нейронной сети могут последовательнопредъявляться одни и те же вещества, но в различной концентрации.24PDF created with pdfFactory trial version www.pdffactory.comБлагодаря этому нейронная сеть становится способной одинаково успешноопределять как «густые» запахи, так и еле ощутимые.Тестирование показало приблизительно одинаковые результаты дляпримененных видов нейронных сетей.
При этом достоверность обнаружениязапахов (ошибка идентификации) варьировалась на интервале от 89,7 % до98,2 % в зависимости от используемых проб, которые выбиралисьпроизвольным образом. В табл. 1.3 приведены количественные результатытестирования при обнаружении различных составов.Показаниясенсоровирезультатыобнаружениязапахов,осуществленных интеллектуальным цифровым блоком (рис. 1.6 и 1.7),иллюстрируют тот факт, что качественно обученная нейронная сетьспособна правильно классифицировать предъявляемые запахи сприемлемым уровнем достоверности (выше 90,0 %).Показания сенсоров свидетельствуют (рис.
1.6), что по отношению кклассифицируемым запахам они не являются моноселективными иреагируют с разной степенью интенсивности на все предъявляемые имзапахи. Обнаружение отдельного запаха при предъявлении нейронной сетисостава из двух или нескольких запахов, в принципе, может вызватьнекоторые затруднения электронного носа, однако, из рис.
1.7 c, d, e видно,что ошибка и этой идентификации также невелика.1.4.4. Искусственный нос для контроля окружающей средыВ связи с объективной тенденцией распространения высокихтехнологий и высокотехнологических производств, существенно возрастетспрос на те или иные прототипы электронного носа.
Ожидается, что вближайшем будущем электронный нос будет востребован для реализациикрупных экологических программ, направленных на защиту окружающейвоздушной и водной среды.Гигантскиеобъемыопасных(ядерных,химическихикомбинированных) отходов накоплены за более чем 40 лет производстваоружия в США. По поручению отдела энергетического оружия МинобороныСША Северо-западная атлантическая национальная лаборатория изучаеттехнологии по воссозданию окружающей среды и рентабельной утилизацииопасных отходов.
Данная программа подразумевает, в том числе, разработкупортативных, недорогих систем, таких как электронный нос, способных вреальном масштабе времени идентифицировать опасные загрязняющиевещества в воздушных и жидких средах.Прототипы электронного носа могут быть широко использованы такжепри контроле и идентификации токсичных выбросов в атмосферу; прианализе топливных смесей; при обнаружении выбросов масляных смесей;при исследовании качества, в том числе и запаха, артезианских вод; дляконтроля качества воздуха в помещениях; обнаружения наркотиков ивзрывчатых веществ и др.25PDF created with pdfFactory trial version www.pdffactory.comРис. 1.6. Показания сенсоров и результаты автоматическойклассификации запаха при предъявлении одного запаха26PDF created with pdfFactory trial version www.pdffactory.comРис.
1.7. Показания сенсоров и результаты автоматическойклассификации запаха при предъявлении состава из двух запахов27PDF created with pdfFactory trial version www.pdffactory.com1.4.5. Искусственный нос в медицинеПрименение электронного носа в качестве диагностического прибораобусловлено тем, что запах широко используется медиками при диагностикецелого ряда болезней. Функциональные возможности электронного носапозволяют диагностировать те или иные отклонения организма приисследовании дыхания, запаха ран, различных физиологических и другихжидкостей и т.п.Так, запахи при дыхании могут свидетельствовать о желудочнокишечных болезнях, диабете, болезнях печени и некоторых инфекционныхзаболеваниях.Инфекционные раны и ткани также выделяют отчетливые запахи,характер которых может анализироваться с применением электронного носа.В настоящее время прототип такого электронного носа используется дляисследований инфекционных ран в университетской больнице южногорайона г.
Манчестер (Великобритания).Анализ запахов жидкостей тела, может быть использован также длядиагностики заболеваний печени и других органов.Сотрудники медучреждений при возникновении подозрений с успехомиспользуютэлектронныйносдляобнаруженияпросроченных,недоброкачественных или фальсифицированных лекарств и препаратов.Ожидается, что в будущем электронный нос будет востребован вдистанционной хирургии. В настоящее время в этих целях широкораспространена передача визуальных, звуковых и механических сигналов, вто время как значение запаха игнорируется.
Потенциально, электронный носспособен идентифицировать операционные запахи и предоставлять дляпередачи обонятельные сигналы, создавая для дистанционной хирургииполноту среды так называемой виртуальной реальности.1.4.6. Искусственный нос в пищевой промышленностиВ настоящее время наибольший рынок для электронного носапредоставляется в агропромышленном комплексе.Прототипы электронного носа применяются как для оценки качествапродуктов питания, так и контроля качества приготовления пищи.Предприятия агрокомплекса расширяют применение данныхтехнологий, в частности, для контроля свежести рыбы на промыслах иоптовых складах; контроля процессов брожения; обследования контейнеров,резервуаров и элеваторов; проверки натуральности апельсинового сока;проверки прогорклости майонеза; ограничения лукового запаха;установлениясортности(выдержанности)вискииконьяков;автоматического управления вкусом и т.д.Важнейшее направление применения электронного носа –обнаружения на оптовых складах и в торговле фальсифицированныхпродуктов питания, напитков (в частности, водки) и пищевых добавок.28PDF created with pdfFactory trial version www.pdffactory.comВ ряде случаях результаты работы электронного носа могут бытьиспользованы в качестве дополнительной аналитической информации дляэкспертов – специалистов в области запахов.
В других случаях,использование электронного носа при химическом анализе в агрокомплексепредпочтительнееприобретенияаналитическойаппаратуры,характеризующейсябольшейстоимостьюипродолжительностьюэкспериментов. Это особенно заметно, когда требуется получение неколичественных, а качественных результатов типа «свежее – не свежее»,«натуральное – не натуральное», «качественное – не качественное»,«настоящее – фальсифицированное» и т.д.1.5. ПрогнозированиеПрогнозирование–важнейшийэлементсовременныхинформационных технологий принятия решений в управлении.Эффективность того или иного управленческого решения оцениваетсяпо событиям, возникающим уже после его принятия.
Поэтому прогнознеуправляемых аспектов таких событий перед принятием решения позволяетсделать наилучший выбор, который, без прогнозирования мог бы быть нетаким удачным.Прогнозирование – одна из самых востребованных, но при этом однаиз самых сложных задач интеллектуального анализа данных. Проблемыпрогнозирования связаны с недостаточным качеством и количествомисходных данных, изменениями среды, в которой протекает процесс,воздействием субъективных факторов.
Прогноз всегда осуществляется снекоторой погрешностью, которая зависит от используемой модели прогнозаи полноты исходных данных. При увеличении информационных ресурсов,используемых в модели, увеличивается точность прогноза, а убытки,связанные с неопределенностью при принятии решений, уменьшаются.Характер затрат, связанных с прогнозированием, таков, что заопределенным пределом дополнительные затраты не приведут к снижениюпотерь.
Это связано с тем, что объективно невозможно снизить погрешностьпрогнозирования ниже определенного уровня, вне зависимости от тогонасколько хорош примененный метод прогнозирования. Поэтомуопределение погрешности прогноза, наряду с самим прогнозом, позволяетзначительно снизить риск при принятии решений.Известны и широко применяются различные методы прогнозирования:алгоритмы экстраполяции экспериментальных данных в несложныхинженерных расчетах и программных продуктах, а также более громоздкиестатистические методы, использующие параметрические модели.В последние десятилетия для прогнозирования широко применяютсядругие подходы, и в частности, нейронные сети. Рассмотрим особенностиприменения нейронных сетей, которые показывают их преимущества по29PDF created with pdfFactory trial version www.pdffactory.comсравнению с другими существующими методами при выборе моделипрогноза (ограничения и недостатки применения нейронных сетей припрогнозировании см.
в п. 1.5.4).1. Результативность при решении неформализованных или плохоформализованных задач. Из общеизвестных преимуществ методов наосновенейронных сетей следует выделить одно самоепривлекательное–отсутствиенеобходимостивстрогойматематической спецификации модели, что особенно ценно припрогнозировании плохо формализуемых процессов.