WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 18 | 19 || 21 | 22 |   ...   | 58 |

пространство размерности k и, Таким образом, при обучении на следовательно, число степеней свободы генеральной совокупности образов нейронной сети должно удовлетворять измеряющее отображение является функциональным, а решающее правило – неравенству SW k2.

полной проекцией. Такая схема Очевидно, что если преобразование распознавания называется невырожденной wW отображает k - мерный репер в или типичной [4].

k - мерный репер, то rank w k.

( ) Используя данные рассуждения, можно получить следующую аналитическую 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» оценку для разделяющей мощности (см. рис. 3). Радиус сферы выбирается нейронной сети: таким образом, чтобы обеспечить экспертную разделимость классов. При k min SW, rank W.

( ) ( ) этом предполагается, что мнение эксперта Полученная оценка не учитывает определяется по минимальному нелинейные свойства и поэтому определяет расстоянию между образом генеральной только нижнюю границу разделяющей совокупности и центрами классов. Система мощности нейронной сети.

измерения преобразует образ генеральной совокупности в паттерн пространства Методика измерений признаков.

Измерения проводятся на Xневырожденной системе распознавания состоящей из нейронной сети и решающего правила. Нейронная сеть выполняет R функциональное преобразование образа в аффинное пространство признаков и XO соответствует отображению системной модели. Решающее правило поддерживается метрической схемой Xклассификацией, которая по минимальному расстоянию между паттерном признаков и Рис. 3 Тестовое множество в пространстве точками выходного репера формирует образов результат распознавания.

Экспериментальная оценка Обобщающая способность измеряется разделяющей мощности получается максимальным радиусом сферы проведением испытаний нейронной сети по безошибочного распознавания образов, распознаванию точек произвольного нормированным к минимальному k - мерного репера пространства образов. расстоянию между центрами классов.

Наиболее удобно использовать Результаты экспериментов ортонормированные реперы. Условие ортогональности не является обязательным, Ниже представлены результаты но ускоряет процесс обучения сети.

экспериментального исследования для Система измерения в аффинном двухслойной нейронной сети типа «узкое пространстве признаков заключается в горло» (см. рис. 2). Размерность сети по выборе начала координат, задании входу и выходу равнялась 8. Число выходного репера и определении значений нейронов в скрытом слое варьировалось от координат образов в выбранном репере.

1 до 9. В таблице приведен вариант Нейронная сеть обучается на подмножестве тестового множества для испытания данной точек общего положения пространства сети. Репер привязывался к началу образов, таким образом, чтобы каждому 0 эталону класса соответствовал один вектор 1 выходного репера. В процессе проведения 2 эксперимента строится зависимость 3 ошибки обучения нейронной сети от 4 размера обучающего множества. Позиция 5 фронта резкого возрастания ошибки считается экспериментальной оценкой 6 разделяющей мощности.

7 Для измерения обобщающей Рис. 2. Нейронная сеть «узкое горло» способности образуются классы, координат. Нулевая точка использовалась в окружающие каждую точку общего обучающем множестве как один из образов.

положения сферическим облаком точек Материалы XVI Международной конференции по нейрокибернетике исчезновения ошибок распознавания при трехкратном повторении опыта на Таблица.

Входной вектор Выходной вектор 0.1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0.1 -1 1 -1 1 -1 1 -1 0 1 0 0 0 0 0 1 1 -1 -1 1 1 -1 -1 0 0 1 0 0 0 0 0.1 2 3 4 5 6 7 8 Neurons 1 -1 -1 1 1 -1 -1 1 0 0 0 1 0 0 0 1 1 1 1 -1 -1 -1 -1 0 0 0 0 1 0 0 1 -1 1 -1 -1 1 -1 1 0 0 0 0 0 1 0 1 1 -1 -1 -1 -1 1 1 0 0 0 0 0 0 1 1 -1 -1 1 -1 1 1 -1 0 0 0 0 0 0 0 1 2 3 4 5 6 7 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Neurons Рис. 5. Экспериментальные результаты оценки Каждая строка таблицы содержит обобщающей способности и разделяющей входной и выходной вектор данных. Набор мощности нейронной сети «узкое горло» входных векторов образует ортогональный различных наборах точек. Число классов в базис Адамара, а набор выходных векторов экспериментах выбиралось равным – ортогональный унитарный код.

разделяющей мощности нейронной сети.

Начальные точки реперов соответствуют Для обучения нейронной сети нулевым векторам и определяют использовался алгоритм PROP [6].

дополнительный пример при обучении сети Результаты экспериментов представлены (последняя строчка таблицы). В процессе на рис. 5.

эксперимента для каждого значения D (числа нейронов в скрытом слое) Заключение определялась позиция фронта резкого возрастания ошибки. Результаты Предложенные методики измерения эксперимента по измерению разделяющей разделяющей мощности и обобщающей мощности, представлены на рис. 4 и способности позволяют получить показывают хорошее согласие с объективную оценку качественных аналитическими оценками [5]. показателей нейронной сети заданной Для измерения обобщающей структуры.

способности формировались облака Список литературы Разделяющая мощность сети 8:D:D=1 1. Гонсалес Р., Дж. Ту. Принципы распознавания образов. – М.: Мир, 1978.- 411с.

D=0.2. Вапник В. Н., Червоненкис А. Я. Теория 0.D=0.распознавания образов. - М.: Наука, 1974.

0.D=3. Воронцов К. В. Лекции по теории обобщающей 0.D=0.способности. 21 декабря 2007 г.

0.D=http://www.ccas.ru/voron/download/Generalization.pdf.

0.1 2 3 4 5 6 7 8 D=4. Гисин В.Б., Цаленко М.Ш. Алгебраическая теория систем и ее приложения: Системные исследования.

D=Методологические проблемы. Ежегодник 1984.- М.:

Число независимых примеров Наука 1984.- С.130-151.

5. Дорогов А.Ю., Шестопалов М.Ю. Аналитические Рис. 4. Экспериментальная оценка и экспериментальные методы оценки разделяющей разделяющей мощности двухслойной мощности слабосвязанных модульных нейронных полносвязанной нейронной сети сетей. // «Нейрокомпьютеры: разработка и применение № 10-11, 2005.- C.32-41.

классов случайным размещением 100 точек 6. Riedmiller M., Braun H. A direct adaptive method for на сфере заданного радиуса.

faster backpropagation learning: The RPROP algorithm.

Относительный радиус сфер был одинаков In Rpoceedings of the IEEE International Conference on Neural Networks (ICNN), pages 586-591, San для всех классов. В процессе проведения Francisco, 1993.

эксперимента радиус сфер уменьшался до Radi us Classes Максимальная ошибка 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» ОБУЧАЕМАЯ МУЛЬТИСЕНСОРНАЯ ЭЛЕКТРОХИМИЧЕСКАЯ СИСТЕМА «ЭЛЕКТРОННЫЙ ЯЗЫК» ДЛЯ КОНТРОЛЯ БИОЛОГИЧЕСКИХ СРЕД Ю.Я. Кисляков, Л.П. Кислякова, А.Ю. Зайцева Федеральное государственное бюджетное учреждение науки Институт аналитического приборостроения Российской академии наук yukisl@rambler.ru An electronic multisensory system based on crossперекрестной чувствительностью к sensitive potentiometric chemical sensors (called различным группам значимых химических "electronic tongue") was evaluated for the quality компонентов исследуемой среды, 2) оценка control of liquid biological environment. It was found результатов измерений с применением that it is capable of the recognition of milk and breath condensate samples with high correctness методов распознавания образов, обработки больших массивов многомерной информации Введение и математических моделей искусственных нейронных сетей. Подобные аналитические Здоровье и работоспособность системы получили названия «электронный человека во многом определяются нос» [1], «электронный язык» [2], [3] и с процессами обмена веществ в различных успехом применяются для контроля жидких и органах и тканях, продукты которого газообразных сред организма и продуктов распределены в различных внутренних питания.

биосредах организма (в клетках, крови, Цель настоящего исследования - выдыхаемом воздухе, моче и др.) и являются разработка обучаемой мультисенсорной индикаторами функционального состояния аналитической системы идентификации физиологических систем организма. Поэтому состояния высокоинформативной, анализ химического состава биосред является неинвазивно контролируемой биосреды по ведущей технологией оценки степени ее функционально значимым показателям, отклонений в них диагностически значимых полученным на основе анализа выходных компонентов от нормы, используемых для сигналов массива полиселективных диагностики, прогноза заболеваний и сенсоров с перекрестной контроля эффективности лечения. Это чувствительностью и применения требует высокоточных измерений информационных методов распознавания содержания в биосредах определенных образов и анализ ее работоспособности на химических компонентов, которые примере исследования биопроб человека и ограничены уровнями селективности и продуктов питания - конденсата чувствительности сенсоров к основному выдыхаемого воздуха, молока женщины и измеряемому компоненту и ряду питьевого молока.

сопутствующих, так называемых, мешающих веществ, что снижает достоверность Описание системы диагностики. Поэтому планируемые исследования направлены на решение Система состоит из модуля фундаментальной проблемы химического пробоподготовки и 3-х функциональных анализа сложных многокомпонентных модулей: сенсорный, микропроцессорный биосред – идентификации их состояния на измерительный и модуль обучения и основе новых методов распознавания образов.

многопараметрического Модуль пробоподготовки состоит электрохимического анализа. Их из двух блоков: 1) устройство для особенности: 1) использование массива получения конденсата из потока полиселективных сенсоров с высокой выдыхаемого воздуха испытуемого, 2) воспроизводимостью показаний и устройство для установки сенсоров в Материалы XVI Международной конференции по нейрокибернетике исследуемую пробу, поддержания в пробе управление процедурами автоматических оптимальных температурных условий для калибровок и измерений с заданными измерений ЭДС (выходного сигнала) требованиями к допускаемой погрешности электрохимических электродных систем и показаний электродов, контроля перемешивание исследуемой среды для температуры среды и автоматической обеспечения однородности ее состава вдали термокомпенсации показаний сенсоров, и у поверхности сенсоров. сохранения в памяти результатов Сенсорный модуль представляет калибровок и измерений, задаваемых собой массив (комплект) параметров и режимов выполняемых потенциометрических полиселективных процедур (библиотека на 20 сенсоров), а электродов, каждый из которых генерирует также вывод и отображение в графической относительно опорного потенциала форме измеряемых и сохраненных в памяти электрода сравнения (хлоридсеребряный прибора данных в персональный электрод второго рода, аналог ЭСЛ-1М3) компьютер через USB-интерфейс.

выходной сигнал - ЭДС электродной Модуль обучения и распознавания ячейки. Принцип действия массива представлен в виде математической сенсоров заключается в изменениях ЭДС модели, реализующей функции обучения каждого сенсора в зависимости от его системы и распознавания многомерных чувствительности к ряду присутствующих «образов», формируемых сенсорным в исследуемой среде компонентов и их модулем в виде массивов значений ЭДС.

концентраций. Совокупность выходных Интегральный результат статистически сигналов от каждого из измерительных обрабатывается, отображается и электродов в исследуемой среде позволяет запоминается в виде матрицы состояний сформировать ее «образ» в виде «образа нормы» с допускаемыми композиции электродных потенциалов. При отклонениями параметров, этом каждый измерительный электрод характеризующих «образ».

имеет собственные индивидуальные воспроизводимые характеристики Результаты исследований селективности и чувствительности к ряду компонентов жидкой среды, которые Типичные результаты исследований контролируются по соответствующим отдельных образцов молока с модельным растворам. В массиве сенсоров использованием шести полиселективных должны присутствовать датчики с электродов с перекрестной перекрестной чувствительностью к разным чувствительностью представлены ниже в группам рассматриваемых компонентов виде шестигранников с лучами, исследуемых жидких сред. Состав и исходящими от центра к точкам количество применяемых измерительных пересечения граней. Длина луча в электродов формируются в зависимости от относительных единицах, нормированных контролируемого перечня диагностически для каждого электрода, соответствует значимых компонентов. суммарному выходному потенциалу Микропроцессорный (среднее значение для 7 образцов по измерительный модуль обеспечивает для измерений) каждого полиселективного каждого используемого измерительного электрода. На рисунках каждый электрод электрода высокоточные измерения ЭДС и обозначен основным измеряемым передачу этой информации в модуль показателем электрода, заключенным в обучения и распознавания. Электронный квадрат.

измеритель должен иметь высокое входное сопротивление, не менее 1013 Ом, диапазон измерений ЭДС в пределах +4 В с допускаемой основной абсолютной погрешностью не более +0.05 мВ. Модуль реализует по командам оператора 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» идентифицирован с использованием Na K pH представленного набора полиселективных электродов.

Типичные результаты исследования образцов конденсата выдыхаемого воздуха с использованием восьми полиселективных электродов с перекрестной чувствительностью у испытуемого в трех состояниях (здоровый, 2- день после начала заболевания бронхитом, 3-й день после выздоровления) представлены ниже в виде F восьмигранников с лучами, исходящими от центра к точкам пересечения граней.

Ca NH Длины лучей определялись аналогично Рис.1 Финское молоко предыдущему исследованию, выполненному на образцах молока.

Na Na Na K pH K pH K pH Сl Е Сl Е F F F NHCa Ca Ca NО NО Рис.2 Молоко коровье Na Рис.4 Конденсат здорового испытуемого K pH Na K pH Сl Е F NHF Ca Ca Рис.3 Молоко женское, 4-й месяц лактации NО Из представленных данных видно, Рис.5 Конденсат испытуемого с бронхитом до что каждый исследованный образец начала лечения молока имеет свой «образ» и может быть Материалы XVI Международной конференции по нейрокибернетике состояния испытуемого, которое может быть идентифицировано с использованием Na представленного набора полиселективных K pH электродов.

Заключение Приведенные данные свидетельствуют о Сl Е возможности использования созданной системы для идентификации качества молока и оценки функционального состояния испытуемых по конденсату выдыхаемого воздуха.

Pages:     | 1 |   ...   | 18 | 19 || 21 | 22 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.