Главная » Просмотр файлов » Автореферат

Автореферат (1150359), страница 3

Файл №1150359 Автореферат (Потенциометрические мультисенсорные системы для определения токсичности водных сред в шкалах биотестирования) 3 страницаАвтореферат (1150359) страница 32019-06-29СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

Таким образом, в массиве есть сенсоры,чувствительные к анионам додецилсульфата. Кроме того, сенсор Кат3проявляет чувствительность к ионам натрия.11На рисунке 5 представлена экспериментально полученная информацияо чувствительности сенсоров к веществам класса фенолов. Всеградуировочные измерения проводились по три раза, затем вычислялосьсреднее значение потенциала каждого сенсора в каждом образце.Среднеквадратичныеотклонения(СКО)величинэлектроднойчувствительности, установленные в условиях воспроизводимости (n=3), непревышали 2 мВ/дек.Рисунок 5.

Величины наклонов электродных функций некоторых сенсоров вводных растворах веществ класса фенолов. Диапазон изучениячувствительности для фенола и п-крезола от 10-5 до 10-3 моль/л и от 10-5 до 102моль/л для о-нитрофенолаНа диаграмме видно, что большинство из используемых в данноммассиве сенсоров проявляют чувствительность в растворах о-нитрофенола. Врастворах фенола чувствительность большинства сенсоров невелика,исключение составляет сенсор Кат5, а также сенсор Ан5, чувствительный корганическим анионам.

В растворах п-крезола сенсоры проявляютчувствительность схожую с откликом в растворах фенола.Полученные на этом этапе данные свидетельствуют о возможностииспользования рассмотренных сенсоров для оценки состояния вод,загрязнённых различными веществами: тяжелыми металлами, ионогеннымиПАВ, фенолами, органическими кислотами, диссоциирующими в воде принормальных условиях (Табл.1).2. Классификация водных образцов по токсичностиНа следующем этапе работы массив сенсоров использовали для оценкитоксичности водных образцов, как модельных, представляющих собойводные растворы индивидуальных токсикантов, так и реальных образцовприродных вод.

В рамках каждого отдельного эксперимента все образцыисследовались по крайне мере три раза, в случайном порядке, после чего12вычислялось среднее значение потенциала каждого сенсора в каждомобразца.Все водные растворы индивидуальных токсикантов изучались сразупосле приготовления. Все реальные образцы изучались в том виде, в которомони доставлялись в лабораторию, анализ проводился не позднее, чем через 6часов после отбора пробы, дополнительная пробоподготовка не проводилась(ПНД Ф Т 14.1:2:4.10-2004, ПНД Ф Т 14.1:2:3:4.11-04 16.1:2.3:3.8-04, ПНД ФТ 16.1:2.3:3.10-06, ФР.1.39.2007.03222). Между измерениями образцыхранились в холодильнике.Значения потенциалов сенсоров в трех повторных измерениях одного итого же образца воспроизводились с СКО ≤ 3 мВ.Результаты анализа мультисенсорной системой каждого из объектовпредставлялись в виде матриц, где число строк – количество исследуемыхобразцов, а число столбцов – количество сенсоров в массиве.

Обработкуданных проводили с помощью программного обеспечения «Unscrambler 9.7»(CAMO, Norway), а также «R version 2.13.0» (The R Foundation for StatisticalComputing).2.1.Классификацияводныхрастворовиндивидуальныхтоксикантов по токсичностиНа этом этапе работы оценивалась возможность применениямультисенсорной системы для классификации водных растворовиндивидуальных токсикантов согласно их токсичности.

Для этогоприменялись алгоритм случайных лесов и метод случайного выбора kближайших соседей. Была поставлена задача отнесения любогопроанализированного с помощью мультисенсорной системы образца кодному из двух классов: с ЭК50 ≤ 100 – токсичные образцы и ЭК50> 100 –нетоксичные образцы.Метод случайных лесов применяется в хемометрике для решенияклассификационных и регрессионных задач. Ряд, так называемых, деревьеврешений строится на основе полученных экспериментальных данных, исходяиз того, что есть N тестовых образцов и M независимых переменных.Пример дерева решений представлен на рисунке 6.

Для того чтобыпостроить одно дерево, случайно выбирается n≤ N (n=N-1) тестовыхобразцов, необходимых для формирования обучающей выборки этого дерева.В нашем примере это n сенсоров, использующихся для оценки токсичностиводных образцов. Для построения корневого узла дерева, случайным образомвыбирается m ≤ M переменных, лучшее разделение данных основывается назначении одной из m переменных, в примере выбранной переменнойявляется значение потенциала каждого из сенсоров (S1, S2…Sn) в образце.Рассмотрим значения потенциалов сенсоров S1 и S2 в образце, токсичностькоторого неизвестна.13Рисунок 6. Пример дерева решенийЕсли значение S1 не превышает 10 мВ, то можно сделать вывод о том,что образец относится к классу нетоксичных, если нет, то следуетпереместиться вниз по дереву и оценить превышает ли потенциал второгосенсора (S2) значение 30 мВ.

В зависимости от этого водный образецпринадлежит либо к классу малотоксичных образцов, либо, если S2>30 мВ,то образец токсичен.В этой работе в качестве n тестовых образцов используются образцыповерхностных и сточных вод, а также водные растворы индивидуальныхтоксикантов, а в качестве единственного параметра m – значениетоксичности водного образца.Метод случайного выбора k-ближайших соседей является расширеннойверсией алгоритмаk-ближайших соседей. В этом алгоритме тестовый набориспользуетсядляосуществленияпрогнозирования:дляэтогорассматривается расстояние d между точками, соответствующими образцам,например, Евклидово расстояние между векторами переменных.Для классификации образца рассматриваются k ближайших (взависимости от выбранного d) образца («соседа»), которые присутствуют втестовом наборе.

Если решается вопрос, связанный с классификациейобразца, то учитывается класс, к которому принадлежат большинство изсоседних точек, если задача регрессионная, то зависимая величинаусредняется.На рисунке 7 представлен пример классификации с помощью методаслучайного выбора k-ближайших соседей. В этом случае необходимоопределить класс образца, отмеченного треугольником, зная классыближайших пяти соседей. На рисунке видно, что большинство (три из пяти)ближайших соседей относятся к классу, отмеченному кругом, таким образомможно сделать вывод, что класс неизвестного образца соответствует классубольшинства соседей.14Рисунок7.Примерклассификацииспомощьюметодаслучайного выбора kближайших соседейВ этой работе в качестве тестового набора используются образыповерхностных и сточных вод, а также водные растворы индивидуальныхтоксикантов, для осуществления классификации рассматривается одинближайший сосед (k=1).Метод случайных лесов оказался более эффективным дляклассификации водных растворов индивидуальных токсикантовнавыбранные классы, чем метод случайного выбора k-ближайших соседей, вкачестве критерия эффективности в этом случае использовался процентверно классифицированных образцов.

Для метода случайного выбора kближайших соседей процент верно классифицированных образцов непревышал 80%.Для метода случайных лесов в таблице 2 представлена матрицаошибок, вычисленная в процессе полной перекрестной проверки ииспользующаяся для оценки точности классификации водных образцовиндивидуальных токсикантов по их токсичности.

Для методов со случайнымвыбором параметров (таких как метод случайных лесов) принято проводитьмногократную проверку результатов с последующим усреднением, поэтомубыло построено 1000 матриц ошибок с разными случайно выбраннымитестовыми образцами, которые в последующем были усреднены.В матрице ошибок, отмеченной в таблице серым цветом, в столбцахзаписываются классы, спрогнозированные с помощью математическихметодов, т.е. метода случайных лесов, а в строках – классы, использующиесядля проверки, т.е. классы, установленные референтным методомбиотестирования. Главная диагональ матрицы (13,7 и 8,3) показываетусредненное число случаев, когда реальные и прогнозируемые классысовпадают – верная классификация.15Таблица 2. Усредненная матрица ошибок для метода случайных лесов дляводных растворов индивидуальных токсикантовПрогнозируемыезначения “≤ 100”Прогнозируемыезначения “> 100”Общеечислообразцов13,70,3141,78,31015,48,624Реальные значения“≤ 100”Реальные значения“> 100”Усредненное числопопаданий в классОтношение суммы элементов главной диагонали к общему числуобразцов называется усредненным процентом верно классифицированныхобразцов, для метода случайных лесов эта величина составила 91,7%.

Эта жевеличина для метода случайных лесов для класса “≤ 100” – 88,9%, для класса“> 100” – 96,5%.2.2. Классификация реальных водных образцов по токсичностиДляизучениявозможностираспознаваниятоксичных/нетоксичныхреальных образцов для начала применялся наборданных, полученный при анализе образцов природных вод, отобранных вСанкт-Петербурге. Для обработки данных применялся метод главныхкомпонент (МГК), который позволяет, выявить наличие скрытой внутреннейструктуры данных, установить наличие групп образцов схожих/различныхмежду собой.На рисунке 8 приведен график счетов метода главных компонент,представляющий собой «карту образцов» для 36 образцов сточных вод,токсичность которых определялась с помощью Paramecium caudatum.806040ГК2 (8%)200-20-40-60-1000100200300400ГК1 (85%)Рисунок 8.График счетов для образцов сточных вод, токсичность которыхопределялась с помощью Paramecium caudatum.

Характеристики

Список файлов диссертации

Потенциометрические мультисенсорные системы для определения токсичности водных сред в шкалах биотестирования
Свежие статьи
Популярно сейчас
Почему делать на заказ в разы дороже, чем купить готовую учебную работу на СтудИзбе? Наши учебные работы продаются каждый год, тогда как большинство заказов выполняются с нуля. Найдите подходящий учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6508
Авторов
на СтудИзбе
302
Средний доход
с одного платного файла
Обучение Подробнее