Preview

Вестник кибернетики

Расширенный поиск

ПРАКТИЧЕСКИЙ ПОДХОД К ОПРЕДЕЛЕНИЮ ДОСТАТОЧНОСТИ ЭКСПЕРИМЕНТАЛЬНОЙ ВЫБОРКИ ВЕКТОРНЫХ СИГНАЛОВ ГАЗОАНАЛИТИЧЕСКОЙ МУЛЬТИСЕНСОРНОЙ ЛИНЕЙКИ ДЛЯ ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

https://doi.org/10.34822/1999-7604-2021-2-38-46

Полный текст:

Аннотация

Предложен алгоритм нахождения достаточного объема репрезентативной совокупности данных выборки для обучения искусственных нейронных сетей по численным параметрам исходной выборочной совокупности на примере анализа векторного сигнала, генерируемого газоаналитической мультисенсорной линейкой на основе тонкой пленки SnO2 при калибровке к воздействию СО, изопропанолу и этанолу в смеси с воздухом. В результате работы алгоритма найден минимальный необходимый объем обучающей выборки искусственных нейронных сетей, который позволяет достичь высокого (более 99 %) качества распознавания. Полученные результаты показывают работоспособность предложенного алгоритма.

Об авторах

В. С. Дыкин
Саратовский государственный технический университет им. Ю. А. Гагарина, Саратов
Россия


В. Ю. Мусатов
Саратовский государственный технический университет им. Ю. А. Гагарина, Саратов
Россия

E-mail: vmusatov@mail.ru



А. С. Варежников
Саратовский государственный технический университет им. Ю. А. Гагарина, Саратов
Россия


В. В. Сысоев
Саратовский государственный технический университет им. Ю. А. Гагарина, Саратов
Россия


Список литературы

1. Kaltenecker C., Grebhahn A., Siegmund N., Apel S. The Interplay of Sampling and Machine Learning for Software Performance Prediction // IEEE Software. 2020. DOI 10.1109/MS.2020.2987024.

2. Ильясов Ф. Н. Репрезентативность результатов опроса в маркетинговом исследовании // Социологические исследования. 2011. № 3. С. 112–116.

3. Fernández A., García S., Herrera F. Addressing the Сlassification with Imbalanced Data: Open Problems and New Challenges on Class Distribution // Lecture Notes in Computer Science. 2011. Р. 1–10. DOI 10.1007/978-3-642-21219-2_1.

4. Мусатов В. Ю., Сысоев В. В. Обработка данных мультисенсорных систем «электронный нос» на основе методов искусственного интеллекта // Системы искусственного интеллекта в мехатронике / под ред. Большакова А. А., Бровковой М. Б., Глазкова В. П. и др. Саратов : Сарат. гос. тех. ун-т. 2015. С. 146–184.

5. Hierlemann A., Gutierrez-Osuna R. Higher-Order Chemical Sensing // Chem Rev. 2008. № 108. P. 563–613.

6. Kiselev I., Sysoev V., Kaikov I., Koronczi I., Tegin R. A. A., Smanalieva J., Sommer M., Ilicali C., Hauptmannl M. On Temporal Stability of Analyte Recognition with E-nose Based on Metal Oxide Sensor Array in Practical Applications // Sensors. 2018. Vol. 18, P. 22.

7. Зайцев Г. Н. Математическая статистика в экспериментальной ботанике. М. : Наука. 1984. 425 c.

8. Хайкин С. Нейронные сети / пер. с англ. М. : Вильямc, 2006. 1104 с.

9. Widrow В., Steams S. D. Adaptive Signal Processing. Englewood Cliffs, NJ : Prentice Hall, 1985. 475 р.

10. Шелухин О. Моделирование информационных систем. M. : Горячая линия – Телеком, 2011. X c.

11. Гайдышев И. Анализ и обработка данных : спец. справочник. СПб. : Питер, 2001. 750 с.

12. Vapnik V., Levin E., Cun Y. L. Measuring the VC-dimension of a Learning Machine // Neural Computation. 1994. Vol. 6. P. 851 –876.

13. Горшков М. К., Шереги Ф. Э. Прикладная социология: методология и методы. М. : Альфа ; ИНФРА-М, 2009. 416 с.

14. Sysoev V. V., Goschnick J., Schneider T., Strelcov E., Kolmakov A. A Gradient Microarray Electronic Nose Based on Percolating SnO2 Nanowire Sensing Elements // Nano Letters. 2007. Vol. 7, Iss. 10. P. 3182–3188. DOI 10.1021/nl071815+.

15. Sysoev V. V., Strelcov E., Kar S., Kolmakov A. The Electrical Characterization of a Multi-electrode Odor Detection Sensor Array Based on the Single SnO2 Nanowire // Thin Solid Films. 2011. Vol. 520. P. 898–903. DOI10.1016/j.tsf.2011.04.179.

16. Sysoev V. V., Strelcov E., Kolmakov A. Multisensor Micro-Arrays Based on Metal Oxide Nanowires for Electronic Nose Applications. Metal Oxide Nanomaterials for Chemical Sensors. Springer : New York, Heidelberg, Dordrecht, London, 2013. Chapter 15. Р. 465–502.


Для цитирования:


Дыкин В.С., Мусатов В.Ю., Варежников А.С., Сысоев В.В. ПРАКТИЧЕСКИЙ ПОДХОД К ОПРЕДЕЛЕНИЮ ДОСТАТОЧНОСТИ ЭКСПЕРИМЕНТАЛЬНОЙ ВЫБОРКИ ВЕКТОРНЫХ СИГНАЛОВ ГАЗОАНАЛИТИЧЕСКОЙ МУЛЬТИСЕНСОРНОЙ ЛИНЕЙКИ ДЛЯ ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ. Вестник кибернетики. 2021;(2):38-46. https://doi.org/10.34822/1999-7604-2021-2-38-46

For citation:


Dykin V.S., Musatov V.Yu., Varezhnikov A.S., Sysoev V.V. PRACTICAL APPROACH TO DETERMINING SUFFICIENCY OF EXPERIMENTAL SAMPLE OF GAS ANALYTICAL MULTISENSOR MICRO-ARRAYS VECTOR SIGNALS FOR TRAINING ARTIFICIAL NEURAL NETWORK. Proceedings in Cybernetics. 2021;(2):38-46. (In Russ.) https://doi.org/10.34822/1999-7604-2021-2-38-46

Просмотров: 21


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)