УДК 62

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ АНАЛИЗА СПЕКТРОВ НЕПОЛНОГО ВНУТРЕННЕГО ОТРАЖЕНИЯ

Клюкова Р.О.1, Шуранов Е.В.2
1Балтийский государственный технический университет "Военмех" имени Д.Ф.Устинова, студент
2Балтийский государственный технический университет "Военмех" имени Д.Ф.Устинова, к.т.н.

Аннотация
В данной работе примененяются нейросетевые алгоритмы для анализа спектров неполного внутреннего отражения.

Ключевые слова: нейронная сеть, нейросетевая модель


THE USE OF NEURAL NETWORK ALGORITHMS FOR THE ANALYSIS OF THE SPECTRA OF PARTIAL INTERNAL REFLECTION

Klyukova R.O.1, Shuranov E.V.2
1Baltic State Technical University "Voenmech" of D.F. Ustinov, student
2Baltic State Technical University "Voenmech" of D.F. Ustinov, Ph.D.

Abstract
In this paper primenenyat neural network algorithms for the analysis of the spectra of partial internal reflection.

Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Клюкова Р.О., Шуранов Е.В. Применение нейросетевых алгоритмов для анализа спектров неполного внутреннего отражения // Современные научные исследования и инновации. 2011. № 7 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2011/11/5344 (дата обращения: 03.06.2017).

При финансовой поддержке Правительства Российской Федерации (Минобрнауки России)

Актуальность

В данной статье рассматривается применение нейросетевых алгоритмов в задачах спектроскапии, а именно для детектирование биологических и химических веществ на основе анализа спектров поглощения. На данный момент актуальна задача повышения чувствительности приборов, а также задача быстрого определения искомых веществ, например для детектирования взрывчатых веществ с целью предотвращения терактов.

Как известно все методы обнаружения взрывчатых веществ (ВВ) можно разделить на прямые и следовые. Прямые методы направлены на обнаружение ВВ в количествах от нескольких десятков грамм. Следовые методы позволяют обнаруживать малые количества ВВ (следы) на уровне порядка 10-3-10-13  грамм. Среди следовых методов наиболее распространенными являются электрохимические методы – спектрометры ионной подвижности, газовые хроматографы, масс-спектрометры, а также – комплекты, использующие методы цветовых химических реакций и т.д. Одним из направлений следового детектирования является использование оптических методов.

Оптические методы определения наличия различных веществ на пальце основаны на анализе спектров полученных на призме неполного внутреннего отражения (нво). Палец прикладывается к призме. По призме проходит лазерный луч многократно отражаясь от боковых поверхностей. Палец приложен к одной из этих поверхностей в результате взаимодействия лазерного луча с поверхностью пальца некоторые частоты поглощаются. Далее лазерный луч расщепляется на спектральные составляющие и получается спектр, который характеризует сам палец и вещества, которые на нём были.

В полученном спектре необходимо найти пики соответствующие искомым веществам.

Пики можно искать разными способами, наиболее известные из них это:

  • нахождением максимумов;
  • корреляцией;
  • нейросетью.

 

В задачах детектирования веществ актуально использовать нейросетевые алгоритмы по следующим причинам:

  • повышение скорости алгоритма;
  • для решения проблемы с пропусками или ложными

срабатываниями.

Нейросети

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес,  аналогичный синаптической силе, и все произведения суммируются,        определяя уровень активации нейрона. Представлена модель,      реализующая эту идею.   Хотя сетевые парадигмы весьма разнообразны,   в основе почти всех их лежит описанная ниже конфигурация, представленная на рис. 1. Множество входных сигналов, обозначенных x1,x2,…,xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1 , w2 ,…, wn , и   поступает на суммирующий блок, обозначенный Σ. Каждый вес соответствует  «силе» одной биологической синаптической связи. Множество весов в совокупности обозначается вектором W.

Суммирующий блок, соответствующий телу биологического элемента,            складывает взвешенные входы алгебраически,  создавая выход, который мы будем называть  NET. В векторных обозначениях это может быть компактно записано следующим образом:  NET = XW.

 

Рис. 1. Конфигурация нейронной сети.

Применение нейронных сетей имеет следующие преимущества:

1)      решение задач при неизвестных заранее зависимостях между входными и выходными параметрами;

2)      возможность построения нелинейных зависимостей;

3)      возможность применения для широкого круга задач;

4)      возможность одновременного решения  нескольких  задач  одной  нейронной  сетью при использовании  нескольких  выходов;

5)      относительная простота используемых алгоритмов;

6)      легкость распараллеливания при решении задачи.

Нельзя не отметить и недостатки нейронных сетей:

1)      сложность определения набора входных параметров и архитектуры  нейронной  сети, которые обеспечивали не только оптимальный, но даже и

требуемый результат;

2)      невозможность перебора, вызванная большим количеством вариантов («проблема размерности»);

3)      сложность интерпретации структуры обученной нейронной сети – как  правило, модель используется только в качестве «черного  ящика»;

4)      невозможность определения достаточного для обобщения и последующей успешной  работы объема и состава входной выборки.

Существует много нейросетевых алгоритмов. Для задачи детектирования веществ было решено использовать топологию нейросети «многослойный персептрон» для последующей реализации, как наиболее изученную топологию нейросети и зарекомендовавшую себя с наилучшей стороны для задач обнаружения и распознавания.

Многослойный персептрон

Многослойными персептронами называют нейронные сети прямого распространения. Входной сигнал в таких сетях распространяется в прямом направлении, от слоя к слою. Многослойный персептрон в общем представлении состоит из следующих элементов:

  • множества входных узлов, которые образуют входной слой;
  • одного или нескольких скрытых слоев вычислительных нейронов;
  • одного выходного слоя нейронов.

Примером многослойного персептрона является модель нейронной сети.

Количество входных и выходных элементов в многослойном персептроне определяется условиями задачи. Сомнения возникают в том, какие входные значения использовать, а какие нет. В качестве начального приближения можно взять один промежуточный слой, а число элементов в нем положить равным полусумме числа входных и выходных элементов.

Многослойные персептроны успешно применяются для решения разнообразных сложных задач и имеют следующих три отличительных признака:

  • каждый нейрон сети имеет нелинейную функцию активации;
  • несколько скрытых слоев;
  • высокая связность.

 

Многослойный персептрон почти всегда обучается методом обратного распространения ошибки — что автоматически означает, что мы должны предоставить для обучения набор пар «входной вектор — правильный выход». Тогда входной вектор отправится на вход сети, последовательно будут рассчитаны состояния всех промежуточных нейронов, и на выходе образуется выходной вектор, который мы и сравним с правильным. Расхождение даст нам ошибку, которую можно распространить обратно по связям сети, вычислить вклад в итоговую ошибку каждого нейрона, и скорректировать его веса, чтобы ее исправить. Повторив эту процедуру многократно (несколько тысяч раз), возможно, удастся обучить сеть.

Сильные стороны — нейронная сеть изучена со всех сторон, хорошо работает на своих задачах, если на некоторой задаче не работает  — то это повод утверждать, что задача сложнее, чем казалось.

Слабые стороны — неумение работать с динамическими процессами, необходимость большой обучающей выборки.

 

Выводы

Конечно, выбранная топология возможно не будет самой оптимальной и исследования в этом вопросе ещё предстоит делать, но после реализации выбранного метода уже можно будет оценить работоспособность нейросетевых алгоритмов в сравнении с существующими алгоритмами нахождения максимумов и корреляционным.



Все статьи автора «Tatasheva»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: