Реализация штучної нейронної сети

Программная реалізація штучної нейронної мережі потреби ділити хроматографических піків.

1 Необхідність.

Одной з актуальних негараздів у хроматографії є виділення піків з їхньої суперпозиции ще точного розрахунку площі кожного їх.

Существует безліч статистичних методів вирішення цього завдання (метод найменших квадратів, метод головних компонент тощо. буд.). Проте на цей час найцікавіше підхід з допомогою у цій галузі штучних нейронних мереж (ИНС).

Искусственные нейронные мережі перестають бути екзотикою. Останніми роками розробки у цій галузі представляють великий інтерес як для ученого світла, але й практичних людей. Областей їх застосування безліч. Це автоматизація процесів розпізнавання образів, адаптивне управління, апроксимація функционалов, прогнозування, створення експертних систем, організація асоціативної пам’яті і ще докладання.

При виконанні завдання виділення хроматографических піків з їхньої суперпозиции штучні нейронные мережі дають точніші результати, ніж методи статистики. Виділення виробляється шляхом прогнозування фронту піка, прихованого через суперпозиции з сусіднім, виходячи з на відкритій частині піка.

Целью даної роботи є підставою програмна реалізація штучної нейромережі, що забезпечить поділ піків на хроматограмме.

2 Теоретичне обгрунтування.

Поскольку штучні нейронные мережі дозволяють апроксимувати функції, прогнозувати — їх можна чудово використовуватиме рішення справжньої проблеми: поділ хроматографических піків (див. додаток А).

Хроматографические піки може бути як симетричними не симетричними і є перекрученими Гауссовыми функционалами. І якщо перемоги пік описується деякою функцією від часу f (t), то, на хроматограф надходить суперпозиція піків, тому функція від часу відображувана з його екрані є як сума функцій всіх піків:

.

Поэтому образи піків, що є на хроматограмме, може бути сильно спотворені, через накладень, а окремих випадках приховані іншими.

Открытые частини теж не надто искажённых піків дозволяють спрогнозувати приховану, й перелічити площа під піком.

Метод прогнозування ось у чому:

1.)На входи нейронної мережі надходять звіти, причому бажано нормовані:

.

-середнє вибірки тимчасових значень примеров-входов,.

-їх виправлена дисперсія.

2.)На виходи нейронної мережі подаються відповідні значення функції яка описує пік. Їх необхідно перетворити, що вони не перевершували 1, навіщо потрібно ділити на максимум вибірки.

3.)После навчання мережі до не обходженого рівня помилки необхідно подати на вхід значення часу, у якому потрібно дізнатися значення функції. Отримане значення з прямою функціонуванні це і є прогнозована точка. Вона буде й додана в навчальну вибірку. І знову провести вище описані дії. Прогнозування виробляється до того часу, це тільки необхідно.

Целесообразно паралельно проводити прогнозування суміжного піка. Прогнозна точка суміжного фронту сусіднього піка може бути отримана наступним способом:

1.) Подать паралельної мережі приклади сусіднього піка.

2.) Подать на додатковий вхід різницю між значенням суперпозиции у цій точці, й отриманим значенням у цій точці в сусідського піка.

4 Методика навчання нейромережі.

Метод навчання нейромережі виходячи з алгоритму зворотного поширення є - поширення сигналів помилки від виходів нейромережі до її входам, у бік, зворотному прямому поширенню сигналів у звичайному режимі роботи.

Ниже представлений методика навчання СР з допомогою процедури зворотного поширення будується так:

1. Подать на входи мережі одне із можливих образів й у режимі звичайного функціонування СР, коли сигнали поширюються від входів до виходам, розрахувати значення останніх. Нижче подана формула розрахунку виваженої суми терезів:

(1).

где M — число нейронів в шарі n-1 з урахуванням нейрона з їх постійним вихідним станом +1, задає усунення; yi (n-1)=xij (n) — i-ый вхід нейрона j шару n.

yj (n) = f (sj (n)), де  — сигмоид (2).