Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой обработки данных
Автор: Балашова Е.А., Битюкова В.В., Хвостов А.А.
Журнал: Вестник Воронежского государственного университета инженерных технологий @vestnik-vsuet
Рубрика: Химическая технология
Статья в выпуске: 3 (81), 2019 года.
Бесплатный доступ
Определение состава исходного вещества выполнялось с помощью электронного сенсорного прибора «электронный нос», состоящего из 8 датчиков, на которые с помощью шприца подавался воздух с парами спирта, содержащего разного рода примеси. Сигнал с датчиков записывался с частотой дискретизации 1 с на протяжении 120 с. Выходные данные прибора были представлены в двух разных интерпретациях - в виде кривых, полученных от каждого датчика, либо площадей под кривыми. Цель работы - построение системы распознавания 11 примесей и воды в исходном веществе. Определение состава исходного вещества выполнялось с помощью «электронного носа», позволяющего получить по 120 значений с каждого из 8 датчиков в виде кривых либо значений площадей под кривыми. Большое количество классов (12), динамическое представление информации исходных данных делают целесообразным построение системы распознавания образов на основе нейронной сети - многослойного персептрона, обучаемого на основе алгоритма обратного распространения ошибки...
Электронный нос, свертка исходной информации, нейронная сеть, распознавание химических веществ
Короткий адрес: https://sciup.org/140246388
IDR: 140246388 | DOI: 10.20914/2310-1202-2019-3-180-186
Список литературы Автоматизация распознавания химических веществ с помощью электронной сенсорной технологии на основе нейросетевой обработки данных
- Omatu S., Mitsuaki Y. E-nose system by using neural networks // Neurocomputing. 2016. V. 172. P. 394-398.
- Никитина С.Ю., Кучменко Т.А., Рудаков О.Б., Дроздова Е.В. Применение методики "электронный нос" для оценки качества пищевого этанола // Вестник ВГУ. Серия: Химия. Биология. Фармация. 2015. № 1. С. 26-35.
- Проблемы аналитической химии. Том 14. Химические сенсоры: монография; под ред. Ю.Г. Власова. М.: Наука, 2011. 399 с.
- Большакова Л.В., Примакин А.И., Яковлева А.Н. Применение кластерного и дискриминантного анализов в процессе обработки и интерпретации статистических данных при обеспечении экономической и информационной безопасности хозяйствующего субъекта // Вестник Санкт-Петербургского университета МВД России. 2014. № 2 (62). С. 148-156.
- Аль-Хашеди А.А., Обади А.А., Нуриев Н.К. Разработка математического и программного обеспечения задач распознавания образов на основе персептрона // Вестник Казанского технологического университета. 2017. Т. 20. № 11. С. 85-88.
- Карпов А.С. Сравнение методов обучения нейронной сети для задачи распознавания изображений // Вестник современных исследований 2017. № 6-1 (9). С. 122-123.
- Vijayaditya P., Povey D., Khudanpur S. A time delay neural network architecture for efficient modeling of long temporal contexts // Sixteenth Annual Conference of the International Speech Communication Association. 2015.
- Dai W., Dai C., Qu S., Li J. et al. Very deep convolutional neural networks for raw waveforms // 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017.
- DOI: 10.1109/ICASSP.2017.7952190
- Sainath T.N., Vinyals O., Senior A., Sak H. Convolutional, long short-term memory, fully connected deep neural networks // 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2015.
- DOI: 10.1109/ICASSP.2015.7178838
- Szulczy?ski B. et al. Determination of odour interactions in gaseous mixtures using electronic nose methods with artificial neural networks // Sensors. 2018. V. 18. № 2. P. 519.
- DOI: 10.3390/s18020519
- Jing Y.-Q., Meng Q.-H., Qi P.-F., Cao M.-L. et al. A bioinspired neural network for data processing in an electronic nose // IEEE Transactions on Instrumentation and Measurement 2016. V. 65. № 10. P. 2369-2380.
- DOI: 10.1109/TIM.2016.2578618
