Нейронные сети, как инструмент классификации биотехнологических систем (на примере мукомольного производства)

В последнее время интерес к нейронным сетям сильно вырос в связи с тем, что специалисты мукомольной промышленности ищут применение им при определении качества получаемого хлеба.

Интерес к искусственным нейронным сетям вырос за счет того, что они могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.

Решение задачи классификации является одним из важнейших применений нейронных сетей, которая представляет собой задачу отнесения образца к одному из нескольких не пересекающихся множеств.

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.

Множество входных сигналов, обозначенных x1, x2,…,xn, поступает на искусственный нейрон. Каждый сигнал умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный Σ. Каждый вес соответствует «силе» одной биологической синаптической связи. Суммирующий блок, складывает взвешенные входы алгебраически, создавая выход (NET):

NET = XW (1)

Рисунок 1. Внешний вид искусственного нейрона

Сигнал NET преобразуется активационной функцией F и дает выходной нейронный сигнал OUT. Активационная функция может быть записана следующим образом:

OUT = K(NET),             (2)

где К – постоянная пороговая функция.

OUT = 1, если NET > T,

OUT = 0, где Т –постоянная пороговая величина, более точно моделирующая нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети большие возможности.

Рисунок 2. Искусственный нейрон с активационной функцией

Качество продукции – это совокупность свойств продукции, обусловливающих ее способность удовлетворять установленные или предполагаемые потребности. На практике конкретные потребности переводятся в набор количественных и качественных установленных требований к характеристикам продукции.

Оценка ее качества состоит в проверке соответствия продукции требованиям к качеству – перечню количественных характеристик (показателей качества) и качественных признаков.

Применительно к качеству мукомольной продукции можно выделить ряд нормативных документов (ГОСТ, ТУ и т.д.).

Качество объекта мукомольной промышленности достаточно полно определяют два критерия – определяющий показатель качества, по которому принимается решение оценивать его качество и уровень качества, то есть относительная характеристика качества объекта, основанная на сравнении значений показателей качества объекта с базовыми (эталонными) значениями соответствующих показателей.

На основе предварительного анализа различных моделей нейронной, в соответствие с характером решаемых задач, количеством входных и выходных данных, структурой связей между единичными и групповыми показателями качества была выбрана нейронная сеть в виде трехслойного персептрона (рисунок 3) со следующими характеристиками:

• -    первый слой – 27 входных нейронов, соответствует числу входных данных – единичных показателей качества;

• -    второй слой (скрытый) – 10 нейронов, соответствует структуре связей между единичными и групповыми показателями качества;

• -    третий слой – 1 выходной нейрон, так как требуется один выходной параметр – показатель уровня качества К;

• -    нелинейная функция активации – сигмоидальная функция.

Структура нейронной сети представлена на рисунке 4.

Для решения поставленной задачи разработаны алгоритмы синтеза НС с использованием нелинейной функции активации, разработаны алгоритмы обучения сети. Обучение НС подразумевает определение весовых коэффициентов слоев нейронов. Обучение НС происходит с учителем, то есть сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей.

Рисунок 3. Трехслойный перцептрон

Рисунок 4. Структура нейронной сети

С помощью корреляционного анализа в общей выборке было установлено, что признаки коррелируют на уровне значимости 0,01

с классом качества хлеба. В качестве наиболее информативных были отобраны признаки с коэффициентом корреляции превышающем 0,7.

Т а б л и ц а 1

Таблица информативных признаков

Показатели	1 класс	2 класс	3 класс	4 класс
Массовая доля клейковины 32-33 (Х 7 )	0,814**	-0,075	-0,323**	-0,367**
Качество клейковины 66-75 (Х 11 )	0,788**	-0,302**	-0,163	-0,315**
Качество клейковины 35-50 (Х 12 )	-0,279*	-0,230*	0,721**	-0,289**
Газообразующая способность 1400-1500 (Х 17 )	0,742**	-0,249*	-0,425**	-0,031
Кислотность мякиша 3 (Х 29 )	0,764**	-0,441*	0,238*	0,389*
Пористость мякиша 67-68 (Х 34 )	-0,218	0,806**	0,230*	-0,300**
Пористость мякиша 69-70 (Х 35 )	0,965**	-0,248*	-0,374**	-0,311**

Для класса 1 было выявлено 5 информативных признаков (массовая доля клейковины 32-33, качество клейковины 66-75, газообразующая способность 1400-1500, кислотность мякиша 3, пористость мякиша 69-70), для которых коэффициент корреляции превышает 0,7. Для 2 признаков r находится в диапазоне 0,624 до 0,684 по модулю, и имеет среднюю тесноту связи с классом качества. Во второй группе специфических признаков не обнаружено, значение r находится в диапазоне от 0,485 до 0,689. В группе 3 обнаружено 2 специфических признака с теснотой связи от 0,721 до 0,806. Для 6 признаков коэффициент корреляции находится в диапазоне от 0,586 до 0,664 с средней теснотой связи. Класс 4 имеет один специфический признак (пористость мякиша) со значением коэффициента корреляции более 0,7; теснота связи сильная. Для 4 признаков в данной группе коэффициент корреляции r находится в диапазоне от 0,525 до 0,656, теснота связи средняя (больше 0,5).

Уровень качества будет равен: 0,7337. Полученные значения определяющего показателя качества (0,637) и уровня качества (0,7337)