способ идентификации жидких и воздушных сред

Формула изобретения

1. Способ идентификации жидких и/или воздушных сред путем сопоставления характеристик идентифицируемого образца с характеристиками эталонных образцов, отличающийся тем, что в качестве характеристик используют полные наборы откликов массива химических сенсоров для идентифицируемого и эталонных образцов, а обработку откликов осуществляют с помощью трех различных алгоритмов идентификации: статистического, нейросетевого и самоорганизующегося с предварительной настройкой всех алгоритмов по эталонным образцам и регистрацией полученной информации на носителе информации, при этом статистический алгоритм выполнен на основе метода главных компонент с последующим определением значений информантов для каждого класса идентифицируемых образцов и выделением из них максимального, нейросетевой алгоритм включает выбор количества слоев и числа нейронов в каждом слое и обучение сети с помощью обучающей выборки, содержащей эталонные образцы всех классов, самоорганизующийся алгоритм заключается в решении системы нелинейных дифференциальных уравнений, причем в качестве характеристики расстояния между идентифицируемыми образцами используют величину косинуса угла между векторами, формируемыми самоорганизующимся алгоритмом для эталонных и идентифицируемых образцов, при совпадении не менее двух результатов идентификации для трех различных алгоритмов осуществляют идентификацию исследуемого образца.

2. Способ идентификации жидких и/или воздушных сред по п.1, отличающийся тем, что могут быть использованы сенсоры температуры.

3. Способ идентификации жидких и/или воздушных сред по п.1 или 2, отличающийся тем, что могут быть использованы сенсоры влажности.

Описание изобретения к патенту

Предлагаемый способ может быть использован для идентификации жидких и/или воздушных сред, определения подлинности спиртосодержащих жидкостей, минеральной воды, в парфюмерной промышленности, задачах экологического контроля.

Известен способ экспресс-контроля качества спиртоводочных изделий для их идентификации (патент РФ 2142630, опубл. 10.12.1999), заключающийся в том, что проводят двухканальную лазерную корреляционную спектроскопию, для чего направляют на исследуемый образец лазерный световой поток и производят регистрацию светорассеяния по двум направлениям, симметрично расположенным относительно оси источника света. Зарегистрированные сигналы перемножают и проводят определение первичной спектральной характеристической функции в определенной полосе частот. В характеристической функции выделяют спектральное ядро и определяют его интенсивность, полуширину и частотное положение максимума, которые затем сравнивают с соответствующими значениями эталонных образцов.

Указанный способ обладает следующими недостатками: большая дороговизна необходимого оборудования, высокие требования к квалификации лиц, проводящих исследования.

Известен способ идентификации спиртосодержащих жидкостей (патент РФ №2150699, опубл. 10.06.2000) (прототип), при котором сопоставляют полные наборы спектрально-люминесцентных характеристик идентифицируемой и эталонной жидкостей, представленные в виде многомерных спектрально-люминесцентных профилей.

Известный способ имеет следующие недостатки: длительное время получения результатов, высокая сложность проведения сравнения многомерных спектрально-люминесцентных профилей и высокая стоимость специального оборудования.

Техническая задача, решаемая изобретением, состоит в обеспечении высокой надежности идентификации и небольшого времени анализа одновременно с низкой стоимостью необходимого оборудования и невысокими требованиями к квалификации персонала.

Поставленная задача решается тем, что в известном способе идентификации жидких и/или воздушных сред путем сопоставления характеристик идентифицируемого образца с характеристиками эталонных образцов в качестве характеристик используют полные наборы откликов массива химических сенсоров для идентифицируемого и эталонных образцов, а обработку откликов осуществляют с помощью трех различных алгоритмов идентификации: статистического, нейросетевого и самоорганизующегося с предварительной настройкой всех алгоритмов по эталонным образцам и регистрацией полученной информации на носителе информации, при этом статистический алгоритм выполнен на основе метода главных компонент с последующим определением значений информантов для каждого класса идентифицируемых образцов и выделением из них максимального, нейросетевой алгоритм включает выбор количества слоев и числа нейронов в каждом слое и обучение сети с помощью обучающей выборки, содержащей эталонные образцы всех классов, самоорганизующийся алгоритм заключается в решении системы нелинейных дифференциальных уравнений, причем в качестве характеристики расстояния между идентифицируемыми образцами используют величину косинуса угла между векторами, формируемыми самоорганизующимся алгоритмом для эталонных и идентифицируемых образцов, при совпадении не менее двух результатов идентификации для трех различных алгоритмов осуществляют идентификацию исследуемого образца.

Кроме того, могут быть использованы сенсоры температуры.

Дополнительно могут быть использованы сенсоры температуры. Статистический алгоритм включает в себя использование метода главных компонент [1] с последующим определением значений информантов [2] для каждого класса k (k=1,2,...,q) идентифицируемых образцов и выделением из них максимального. Метод главных компонент содержит следующие этапы вычислений:

- определение средних значений и дисперсий для откликов каждого i-го сенсора по всем N эталонным образцам , ;

- шкалирование значений X_ig путем перехода к переменным ;

- определение матрицы преобразования переменных х_i в пространство первых p главных компонент (р<n):

- определение координат точек эталонных образцов в пространстве первых p главных компонент

- вычисление для переменных вектора средних значений и ковариационных матриц для каждого эталонного класса k (k=1,2,...,q):

- осуществление операции шкалирования характеристик, поступающих от сенсоров для идентифицируемого образца:

- вычисление координат точки, соответствующей полученным шкалированным значениям, в пространстве р главных компонент:

где - вектор преобразованных значений

- вычисление значений информантов

- выделение максимального информанта , после чего делается предварительный вывод о принадлежности исследуемого образца классу f.

Нейросетевой алгоритм основан на использовании искусственной нейронной сети типа четырехслойного персептрона [3] с числом нейронов в первом слое n₁ =n, во втором n₂n/2, в третьем n₃n/2+q/2 и в четвертом n₄=q. В ходе обучения по эталонным образцам осуществляется настройка весовых коэффициентов w каждого из нейронов, выходной сигнал которых формируется в соответствии с формулами:

весовые коэффициенты w находят из условия минимизации суммы , где y_kg - фактическое значение, имеющее место на k-м выходе сети для некоторого набора весовых коэффициентов при предъявлении входного вектора , T_kg=1 для эталонного класса k, T_jg=0 при jk. При идентификации нейросетевой алгоритм относит идентифицируемый образец к классу d, если при его предъявлении на выходе сети будет иметь место сигнал y_d0,75, в то время как на всех остальных выходах сети этот сигнал не превышает значения 0,25.

Самоорганизующийся алгоритм основан на нейроподобной структуре, состоящей из динамических нейронов, функционирование которых описывается системой нелинейных дифференциальных уравнений [4] следующими уравнениями:

где y_i(t) - выходной сигнал i-го динамического нейрона, (t), (t) - соответствующие входные сигналы, , с - константы, определяющие скорость сходимости процесса самоорганизации, a_ij(t), b_ij(t) - настраиваемые весовые коэффициенты связи; на входы х_i, i=1,2,...,n которых многократно подаются входные векторы , причем x_i(t_g)=X_ig; g=1,2,...,N; в процессе такой подачи происходит самонастройка весовых коэффициентов связи в соответствии с приведенными уравнениями. Одновременно с самонастройкой коэффициентов связи происходит определение эталонных векторов , каждый из которых представляет собой обобщенный образ одного из q идентифицируемых классов. В качестве характеристики расстояния между образцами используют величину косинуса угла между векторами, формируемыми самоорганизующимся алгоритмом для эталонных и идентифицируемых образцов: между эталонными векторами , и вектором , где - длины векторов , k=1,2,...,p; после этого находят эталонный вектор, которому соответствует максимальное значение косинуса: k=1,2,...,p и, если cos _c1, cos _k0; kс, то делается предварительный вывод о принадлежности исследуемого образца классу с. На практике обычно используют условия cos _c0,75, cos _k0,25, kс.

Далее производится сопоставление результатов идентификации, полученных с помощью каждого из алгоритмов. При совпадении не менее двух результатов для трех различных алгоритмов осуществляют идентификацию исследуемого образца. Таким образом, итоговое решение формируется в соответствии со следующим правилом: идентифицируемый образец принадлежит классу L, если выполнено хотя бы одно из условий: L=f=d=с или L=f=dс или L=d=сf или L=f=сd. в противном случае идентификация считается не состоявшейся и делается вывод либо об ошибке измерения, либо о появлении образца нового класса, не представленного в числе эталонных образцов.

В ряде практических приложений для получения надежных результатов, кроме химических сенсоров, оказывается необходимом использование сенсоров температуры и влажности.

Одновременное использование статистического, нейросетевого и самоорганизующегося алгоритмов позволяет значительно повысить надежность идентификации. Использование серийных химических сенсоров - например, ионоселективных электродов - и программная реализация алгоритмов на персональной ЭВМ позволяет обеспечить высокую скорость получения результатов при относительно небольших затратах на оборудование. Кроме того, при соответствующей программной реализации алгоритмов возможно обеспечить низкие требования к квалификации персонала.

Результаты использования данного способа идентификации иллюстрируется следующими примерами.

Пример 1. Предложенный способ реализован в анализаторе воздушных сред, предназначенном для решения задачи идентификации некоторых изделий парфюмерной промышленности. В данном анализаторе применен 9-сенсорный блок с дополнительным сенсором температуры и 8-ю газовыми полупроводниковыми сенсорами (n=8). Использовались 6 разновидностей парфюмерных изделий: 3 сорта туалетной воды (мужской парфюм А, В, С) и 3 вида женских духов (D, Е, F). Настройка производилась по обучающей выборке, включающей в себя 7 серий по 6 опытов в каждой, где представлены все разновидности изделий; всего 42 значения (N=42). Порядок предъявления образцов - рандомизированный (случайный) в каждой серии.

При проведении эксперимента реализовывалась следующая последовательность действий:

- забор очередной пробы (объем пробы 40 мл);

- 30-ти секундная пауза для получения установившихся значений показаний сенсоров;

- съем показаний сенсоров;

- температурная коррекция показаний;

- занесение скорректированных значений в базу данных;

- слив пробы и трехкратная промывка узла пробоотбора дистиллированной водой;

- забор новой пробы и т.д.

После проведения эксперимента проводилась настройка алгоритмов идентификации. Анализ результатов настройки продемонстрировал безошибочность работы всех трех алгоритмов на элементах обучающей выборки. При настройке статистического алгоритма классификации, кроме того, установлено:

- достаточным для целей наглядного представления процесса идентификации является использование лишь первых двух главных компонент;

- имеется четкое разделение между изделиями мужского и женского парфюма;

- изделиям А и С соответствуют точки, достаточно близко расположенные на плоскости главных компонент, что говорит о возможных потенциальных трудностях в различении указанных разновидностей (классов) изделий.

Далее проводилась демонстрационная идентификация образцов, относящихся к различным сортам и считающихся неизвестными. Результаты идентификации представлены на рис. 1, 2, 3. При этом рис. 1 соответствует идентификации одного из сортов парфюма, присутствовавшего в обучающей выборке; рис.2 иллюстрирует определенные трудности различения изделий А и С, а рис. 3 относится к ситуации, когда предъявляется изделие нового сорта, идентификация которого как изделия одного из присутствовавших в обучающей выборке сортов в принципе невозможна. Во всех случаях обработка данных в соответствии с заявленным способом позволяет получить правильный ответ.

Пример 2. Решалась задача идентификации разновидностей питьевой воды, полученной из 5 разных источников. В качестве сенсоров использовались серийно выпускаемые ионоселективные электроды. Количество сенсоров n=7. Для предварительной настройки (обучения) использовалась выборка, содержащая 40 измерений по 8 для воды из каждого источника.

После обучения все три алгоритма классификации дали 100%-ный правильный результат распознавания элементов обучающей выборки. При этом для статистического алгоритма достаточным оказалось использование первых двух главных компонент, поскольку концентрация точек, соответствующих образцам одного класса, как выяснилось, весьма высока, в то время как точки разных классов (сортов) сравнительно далеко удалены друг от друга.

Далее был предъявлен образец неизвестного класса. Результаты идентификации представлены на рис.4. Последующий детальный химический анализ подтвердил правильность отнесения неизвестного образца к классу 4.

Пример 3. Способ реализован в анализаторе, предназначенном для идентификации сортов минеральной воды. Решалась задача идентификации 4 разновидностей минеральной воды, полученной от разных источников. В качестве сенсоров использовались 10 серийно выпускаемых ионоселективных электродов и 2 слабоселективных подогревных газовых сенсора, по паспортным данным предназначенным для измерения концентрации углекислого газа и аммиака. Общее количество сенсоров n=12. Для предварительной настройки (обучения) использовалась выборка, содержащая 28 измерений по 7 для каждого сорта минеральной воды.

После обучения анализатор использовался для идентификации конкретных образцов минеральной воды неизвестного сорта. Результаты идентификации для одного из образцов представлен на рис. 5.

Литература.

1. Айвазян С.А., Мхитарян B.C., Прикладная статистика и основы эконометрики. - М.: ЮНИТИ, 1998.

2. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учебное пособие для вузов. - М.: ИПРЖР, 2000.

3. Филаретов Г.Ф., Житков А.Н., Вигойя Э., Кабанов В.А. Алгоритмическое обеспечение приборов - идентификаторов качества, "Вестник МЭИ", 2000, №3.