Круг П.Г. Моделирование искусственных нейронных сетей (1088802), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

Для сравнения реализованы две разновидности ИНС – стандартный многослойный персептрон со структурой: 11 – 6 – 6, обучаемый по алгоритму обратного распространения (рис.1.5) и нечеткая ART-сеть.

Для настройки и тестирования прототипа электронного носа были использованы пробы пяти из вышеперечисленных веществ: ацетон, аммиак, изопропанол, белый «штрих» и уксус. Также добавлена категория «Нет» для обозначения ситуации, когда отсутствуют все перечисленные запахи.

Параметры, используемые для обучения и тестирования ИНС с алгоритмом обратного распространения и нечеткой ART-сети, представлены в таблице 1.2. ИНС были обучены с использованием произвольно выбранных представительских выборок. Следует отметить, что при обучении во многих случаях не ставится задача, чтобы подготавливаемая ИНС определяла уровни концентрации того или иного вещества. Наоборот, при обучении ИНС могут последовательно предъявляться одни и те же вещества, но в различной концентрации. Благодаря этому нейронная сеть становится способной одинаково успешно определять как «густые» запахи, так и еле ощутимые.

Таблица 1.2. Параметры нейронных сетей, применяемых в электронном носе

Таблица 1.3. Результаты тестирования искусственного носа

Тестирование показало приблизительно одинаковые результаты для примененных видов ИНС. При этом достоверность обнаружения запахов (ошибка идентификации) изменялась на интервале от 89,7 до 98,2 % в зависимости от используемых проб, которые выбирались произвольным образом.

В таблице 1.3 приведены количественные результаты тестирования при обнаружении различных составов.

Показания сенсоров и результаты обнаружения запахов, осуществленных интеллектуальным цифровым блоком, иллюстрируют тот факт, что качественно обученная ИНС способна правильно классифицировать предъявляемые запахи с приемлемым уровнем достоверности (выше 90,0 %).

Показания сенсоров свидетельствуют, что по отношению к классифицируемым запахам они не являются моноселективными и реагируют с разной степенью интенсивности на все предъявляемые им запахи (рис.1.6).

Искусственный нос для контроля окружающей среды

В связи с объективной тенденцией распространения высоких технологий и высокотехнологических производств, существенно возрастет спрос на те или иные прототипы электронного носа.

Ожидается, что в ближайшем будущем электронный нос будет востребован для реализации крупных экологических программ, направленных на защиту окружающей воздушной и водной среды.

Гигантские объемы опасных (ядерных, химических и комбинированных) отходов накоплены за более чем 40 лет производства оружия в США. По поручению отдела энергетического оружия Минобороны США Северозападная атлантическая национальная лаборатория изучает технологии по воссозданию окружающей среды и рентабельной утилизации опасных отходов. Данная программа подразумевает, в том числе, разработку портативных, недорогих систем, таких как электронный нос, способных в реальном масштабе времени идентифицировать опасные загрязняющие вещества в воздушных и жидких средах.

Прототипы электронного носа могут быть широко использованы при:

• контроле и идентификации составов токсичных выбросов в атмосферу;

• анализе топливных смесей;

• при обнаружении выбросов масляных смесей;

• при исследовании качества, в том числе и запаха, артезианских вод;

• при контроле качества воздуха в помещениях;

• при обнаружении наркотиков и взрывчатых веществ и др.

Рис.1.6. Показания сенсоров (столбец графиков слева) и результаты автоматической классификации запахов (столбцы справа)

Искусственный нос в медицине

Применение электронного носа в качестве диагностического прибора обусловлено тем, что запах широко используется медиками при диагностике целого ряда болезней. Функциональные возможности электронного носа позволяют диагностировать те или иные отклонения организма при исследовании дыхания, запаха ран, различных физиологических и других жидкостей и т.п..

Так, запахи при дыхании могут свидетельствовать о желудочно-кишечных болезнях, диабете, болезнях печени и некоторых инфекционных заболеваниях. Инфекционные раны и ткани также выделяют отчетливые запахи, характер которых может анализироваться с применением электронного носа. В настоящее время прототип такого электронного носа используется для исследований инфекционных ран в университетской больнице южного района г. Манчестер (Великобритания).

Анализ запахов жидкостей тела, может быть использован также для диагностики заболеваний печени и других органов.

Сотрудники медучреждений при возникновении подозрений с успехом используют электронный нос для обнаружения просроченных, недоброкачественных или фальсифицированных лекарств и препаратов.

Ожидается, что в будущем электронный нос будет востребован в дистанционной хирургии. В настоящее время в этих целях широко распространена передача визуальных, звуковых и механических сигналов, в то время как значение запаха игнорируется. Потенциально, электронный нос способен идентифицировать операционные запахи и предоставлять для передачи обонятельные сигналы, создавая для дистанционной хирургии полноту среды так называемой виртуальной реальности.

Искусственный нос в пищевой промышленности

В настоящее время наибольший рынок для электронного носа предоставляется в агропромышленном комплексе.

Прототипы электронного носа применяются как для оценки качества продуктов питания, так и контроля качества приготовления пищи. Предприятия агрокомплекса расширяют применение данных технологий, в частности, для контроля свежести рыбы на промыслах и оптовых складах; контроля процессов брожения; обследования контейнеров, резервуаров и элеваторов; проверки натуральности апельсинового сока; проверки прогорклости майонеза; ограничения лукового запаха; установления сортности (выдержанности) виски и коньяков; автоматического управления вкусом и т.д.

Важнейшее направление применения электронного носа – обнаружения на оптовых складах и в торговле фальсифицированных продуктов питания, напитков (в частности, водки) и пищевых добавок.

В ряде случаях результаты работы электронного носа могут быть использованы в качестве дополнительной аналитической информации для экспертов – специалистов в области запахов.

В других случаях, использование электронного носа при химическом анализе в агрокомплексе предпочтительнее приобретения аналитической аппаратуры, характеризующейся большей стоимостью и продолжительностью экспериментов. Это особенно заметно, когда требуется получение не количественных, а качественных результатов типа «свежее – не свежее», «натуральное – не натуральное», «качественное – не качественное», «настоящее – фальсифицированное» и т.д.

1.5. Прогнозирование

Прогнозирование – важнейший элемент современных информационных технологий принятия решений в управлении.

Эффективность того или иного управленческого решения оценивается по событиям, возникающим уже после его принятия. Поэтому прогноз неуправляемых аспектов таких событий перед принятием решения позволяет сделать наилучший выбор, который без прогнозирования мог бы быть не таким удачным.

Прогнозирование – одна из самых востребованных, но при этом одна из самых сложных задач интеллектуального анализа данных. Проблемы прогнозирования связаны с недостаточным качеством и количеством исходных данных, изменениями среды (в которой протекает процесс) воздействием субъективных факторов. Прогноз всегда осуществляется с некоторой погрешностью, зависящей от используемой модели прогноза и 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 за определенным пределом дополнительные затраты не приведут к снижению потерь. Это связано с тем, что объективно невозможно снизить погрешность прогнозирования ниже определенного уровня, вне зависимости от того насколько хорош примененный метод прогнозирования. Поэтому определение погрешности прогноза, наряду с самим прогнозом, позволяет значительно снизить риск при принятии решений.

Известны и широко применяются различные методы прогнозирования: алгоритмы экстраполяции экспериментальных данных в несложных инженерных расчетах и программных продуктах, а также более громоздкие статистические методы, использующие параметрические модели.

В последние десятилетия для прогнозирования широко применяются другие подходы, и в частности, ИНС.

Рассмотрим особенности применения ИНС, которые показывают их преимущества по сравнению с другими существующими методами при выборе модели прогноза.

• Результативность при решении неформализованных или плохо формализованных задач. Из общеизвестных преимуществ методов на основе нейронных сетей следует выделить одно самое привлекательное – отсутствие необходимости в строгой математической спецификации модели, что особенно ценно при прогнозировании плохо формализуемых процессов. Известно, что большинство финансовых, бизнес и других подобных задач плохо формализуется.

• Устойчивость к частым изменениям среды. Достоинства нейронных сетей становятся заметными, когда часто изменяются «правила игры»: среда, в которой существует прогнозируемый процесс, а также характер воздействия влияющих факторов. Поэтому, ИНС наилучшим образом подходят для решений таких задач, как прогнозирование тенденций фондового рынка, характеризующихся влиянием целого набора постоянно изменяющихся факторов.

• Результативность при работе с большим объемом противоречивой информации. Нейронные сети будут предпочтительнее там, где имеется много анализируемых данных, в которых скрыты закономерности. В этом случае автоматически учитываются также различные нелинейные взаимодействия между влияющими факторами. Это особенно важно, в частности, для предварительного анализа или отбора исходных данных, выявления «выпадающих фактов» или грубых ошибок при принятии решений.

• Результативность при работе с неполной информацией. Целесообразно использование ИНС в задачах с неполной или «зашумленной» информацией, а также в задачах, для которых характерны интуитивные решения.

Постановка задачи прогнозирования

Задача прогнозирования в общем случае сводится к получению оценки будущих значений упорядоченных во времени данных на основе анализа уже имеющихся, а также (при необходимости) тенденции изменения влияющих факторов.

Прогнозируемой величиной являются значения временного ряда на интервале [T(n+1), T(n+f)], где T(n) – текущий момент времени, а f – интервал прогнозирования. Иногда возникает необходимость не в прогнозе значений временного ряда на заданном интервале, а в прогнозе вероятности того, что они будут вести себя тем или иным образом (возрастать, убывать, находиться в некоторых пределах и т.д.).

Рассмотрим типовой алгоритм прогнозирования, осуществляемого с использованием нейронных сетей (рис.1.7).

Характеристики

Список файлов книги