Нейромережеві методи та засоби розпізнавання газів для медичної діагностики та екологічного моніторингу

Abstract

Актуальність вирішуваної в дисертації задачі розпізнавання сигналів мультисенсорів газів обґрунтовується тим, що інформація про такі параметри навколишнього середовища як зображення, звуки, запахи і т.п. для автоматизованих систем (як і для центральної нервової системи людини) представляється у вигляді сигналів від багатокомпонентних сенсорів (рецепторів), тобто мультисенсорів. Рішення задачі розпізнавання сигналів мультисенсорів в дисертації проводиться на прикладі розпізнавання сигналів мультисенсорів газів. У результаті виконання дисертаційної роботи систематизовані задачі медичної діагностики і екологічного моніторингу, вирішувані за допомогою систем розпізнавання сигналів мультисенсорів газів, проведений системний аналіз видів мультисенсорів газів і їх вихідних сигналів, проведений аналітичний огляд відомих методів і засобів розпізнавання сигналів мультисенсорів газів. Також був розроблений метод розпізнавання сигналів мультисенсорів газів із застосуванням імпульсної нейронної мережі (ІНМ), вдосконалена структура ІНМ, запропоновані варіанти реалізації нейронів ІНМ на основі фоточутливих біспін-приладів. Розроблена уточнена математична модель імпульсного нейрона на основі біспін-приладу з метою визначення її адекватності математичній моделі формального імпульсного LIF-нейрона. Вдосконалений метод навчання ІНМ з метою адаптації його до оптоелектронної реалізації. Досліджені принципи технічної реалізації імпульсних нейронів на біспін-приладах, а ІНМ в цілому – на оптоелектронній елементній базі із здійсненням всіх міжз‘єднань нейронів у вигляді оптичних сигналів. Проведені експериментальні дослідження параметрів імпульсних нейронів на біспін-приладах. Розроблена методика і проведено комп'ютерне моделювання системи розпізнавання сигналів мультисенсорів газів. Розроблені в дисертації нейромережеві методи та засоби мають наступні переваги: 1) підвищену в k раз швидкодію: , де ТСМ – час видачі сигналів мультисенсорів, ТФП – час формування ознак для розпізнавання, ТОП – час обробки ознак розпізнавання нейронною мережею, типове значення k=1,1÷1,5; 2) спрощення системи за рахунок скорочення кількості нейронів на 20-80%; 3) спрощення процесу навчання; 4) поліпшення конструктивно-технологічних параметрів системи за рахунок реалізації системи на оптоелектронній елементній базі. Actuality of the task of multisensor signals recognition, described in the dissertation, is grounded to those, that information about such parameters of environment as images, sounds, smells, etc. for the automated systems (as well as for the central nervous system of man) appears as signals from multicomponent sensors (receptors), i.e. multisensors. The decision of multisensor signals recognition task was conducted in the dissertation on the example of gas multisensor signals recognition. As a result of dissertation work implementation have done the next items. The tasks of medical diagnostics and ecological monitoring, solved by gas multisensor sig-nals recognizers, were systemazed. The systems analysis of known gas multisensorr types and their output signals were reviewed. The state-of-the-art review of the methods and facilities for multisensor signals recognition were conducted. The method for gas multisensor signals recognition was developed with the use of pulsed neural network (PNN). The structure of PNN was improved. The variants of PNN‘s neuron realization were offered on the basis of photosensitive bispin-devices. The specified mathematical model of pulsed neuron, based on bispin-device, was developed with the purpose of de-termination of its adequacy to mathematical model of formal pulsed LIF-neuron. A method of PNN learning was improved with the purpose of its adaptation to optoelec-tronic implementation. Principles of pulsed neuron technical implementation, based on bispin-device, were investigated. PNN technical implementation, based on optoelec-tronic elementary basis, were proposed. Experimental researches of bispin-based pulsed neuron parameters were conducted. Computer simulation of the proposed neurocom-puter system for gas multisensor signals recognition was conducted. The neuronetworks method and means, developed in the dissertation, has the fol-lowing advantages: 1) the fast-acting, enhanced in k times:, where ТСМ – is time of delivery of gas multisensor signals, ТФП – is time of forming of features for recognition, ТОП - is time of treatment of recognizing features by a neural network (k=1,1÷1,5), 2) simplification of the system due to reduction of amount of neurons on 20-80%, 3) simplification of learning process, 4) improvement of structurally-technological parameters of the system due to system implementation on optoelectronic elementary basis. В диссертационной работе решается актуальная задача распознавания сигналов мультисенсоров газов. Актуальность обосновывается тем, что информация о таких параметрах окружающей среды как изображения, звуки, запахи и т.п. для автоматизированных систем (как и для центральной нервной системы человека) представляется в виде сигналов от многокомпонентных сенсоров (рецепторов), т.е. мультисенсоров. Поэтому распознавание сигналов мультисенсоров и интерпретация их как образов является весьма актуальной. Решение задачи распознавания мультисенсоров проводится в диссертации на примере распознавания сигналов мультисенсоров газов. В результате выполнения диссертационной работы систематизированы задачи медицинской диагностики и экологического мониторинга, решаемые с помощью систем распознавания сигналов мультисенсоров газов, проведен системный анализ видов мультисенсоров газов и выдаваемых ими сигналов с целью формулирования требований к системам распознавания сигналов мультисенсоров, проведен аналитический обзор известных методов и средств распознавания сигналов мультисенсоров газов с целью выявления их недостатков и обоснования направлений совершенствования систем распознавания сигналов мультисенсоров газов. Также был разработан метод распознавания сигналов мультисенсоров газов с применением импульсной нейронной сети (ИНС), усовершенствована структура ИНС, предложены варианты реализации нейронов ИНС на основе фоточувствительных биспин-приборов. Разработана уточненная математическая модель импульсного нейрона на основе биспин-прибора с целью определения ее адекватности математической модели формального импульсного LIF-нейрона. Усовершенствован метод обучения ИНС с целью адаптации его к оптоэлектронной реализации. Исследованы принципы технической реализации импульсных нейронов на биспин-приборах, а ИНС в целом – на оптоэлектронной элементной базе с осуществлением всех межсоединений между нейронами в виде оптических сигналов. Проведены экспериментальные исследования параметров импульсных нейронов на биспин-приборах. Разработана методика и проведено компьютерное моделирование системы распознавания сигналов мультисенсоров газов. Разработанная в диссертации нейросетевые методы и средства имеют следующие преимущества: 1) повышенное в k раз быстродействие: , где ТСМ – час видачи сигналов мультисенсоров газов, ТФП – час формирования признаков для распознавания, ТОП – час обработки признаков распознавания ней-ронной сетью (типовое значение k=1,1÷1,5), поскольку в предложенной нейрокомпьютерной системе результат распознавания можно получить еще до окончания периода измерения сигналов мультисенсоров газов по самой интенсивной импульсации на одном из выходных нейронов, 2) упрощение системы за счет сокращения количества нейронов на 20-80% благодаря применению оптоэлектронных нейронных элементов с одинаковой полярностью сигналов для возбуждающих и тормозящих импульсов, 3) упрощение процесса обучения, во-первых, за счет использования схемотехнических средств для обучения, отсутствия сложных вычислительных процедур при обучении нейронной сети и устройств для их осуществления, во-вторых, обучаются не все нейроны сети, а только выходные нейроны, 4) улучшение конструктивно-технологических параметров системы за счет использования оптических, а не электрических сигналов для организации огромного количества связей между нейронами сети и реализации системы на оптоэлектронной элементной базе. Кроме того, повышенную точность функционирования, вопервых, за счет отсутствия потерь информации при выделении статических признаков из динамических сигналов, а вовторых, за счет использования помехо-устойчивого частотно-импульсного представления информации.