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,…,x_n, 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 ,…, w_n , 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»