Содержание к диссертации
Введение
1 Аналитический обзор методов контроля веществ 9
1.1 Общая схема аналитического определения 10
1.2 Методы количественного химического анализа веществ 12
1.2.1 Точность количественных методов анализа 13
1.3 Методы качественного анализа веществ 14
1.3.1 Рентгеноспектральний анализ 16
1.3.2 Активационный анализ 18
1.3.3 Атомная спектрометрия 21
1.3.4 Выводы 23
1.4 Методы неразрушающего контроля 24
1.4.1 Оптические методы контроля 24
1.4.2 Радиоволновые методы контроля 26
1.5 Выводы 29
2 Радиостатистический метод исследования веществ 31
2.1 Определение метода 32
2.2 Выводы 37
3 Определение параметров сигнала на выходе приемника излучения 38
3.1 Уравнение сигнала на выходе приемника излучения с конической диаграммой направленности 39
3.2 Уравнение сигнала на выходе приемника излучения с цилиндрической диаграммой направленности 45
3.3 Расчет энергии электромагнитного поля, поступающей на приемник излучения, и напряжения на выходе приемника 47
3.4 Рекомендации по выбору параметров преобразователя электромагнитного поля в электрический сигнал 51
3.5 Выводы 53
4 Методика исследования веществ радиостатистическим методом и определение интегрального показателя качества 55
4.1 Математическое обеспечение: характеристическая функция случайных процессов 55
4.2 Лабораторный стенд для проведения экспериментальных исследований 59
4.3 Программное обеспечение: «Характериометр» 61
4.3.1 Область применения программного продукта 61
4.3.2 Функциональные возможности программного продукта 61
4.3.3 Экранные формы 62
4.3.4 Используемые технические средства 65
4.3.5 Сведения о государственной регистрации электронного ресурса 65
4.4 Методика проведения эксперимента 65
4.5 Анализ метрологических характеристик лабораторного стенда 66
4.6 Определение интегрального показателя качества 69
4.6.1 Энтропия закона арксинуса 69
4.6.2 Энтропия центральных моментов распределения 71
4.6.3 Алгоритм расчета, основанный на значениях оценок вероятностных характеристик 76
4.7 Повышение достоверности определения интегрального показателя качества з
4.7.1 Преимущества и недостатки нейронных сетей 79
4.7.2 Преимущества и недостатки систем с нечеткой логикой 80
4.7.3 Гибридные сети 81
4.7.4 Адаптивные нейро-нечеткие сети 82
4.7.4.1 Реализация условий 84
4.7.4.2 Реализация заключений 85
4.7.5 Преимущества нейро-нечеткого подхода 87
4.8 Практическая реализация подсистемы нейро-нечеткого вывода 89
4.9 Выводы 93
5 Результаты экспериментальных исследований и устройство контроля качества вещества 95
5.1 Анализ результатов экспериментальных исследований 95
5.2 Результаты экспериментальных исследований молока 98
5.3 Устройство контроля интегрального показателя качества вещества 101
5.4 Выводы 104
Заключение 106
Список использованных источников
- Точность количественных методов анализа
- Уравнение сигнала на выходе приемника излучения с цилиндрической диаграммой направленности
- Функциональные возможности программного продукта
- Устройство контроля интегрального показателя качества вещества
Точность количественных методов анализа
Количественный химический анализ имеет целью определение относительного количества отдельных составных частей какого-либо химического соединения или смеси.
Количественный химический анализ тесно связан с общей химией, химической технологией, металлургией, биохимией и рядом других наук. Развитие количественного анализа в большой степени связано с требованиями прикладных задач - необходимостью исследовать различные материалы и химические соединения [13].
Количественный химический анализ имеет большое значение в технике. Развитие таких отраслей промышленности как металлургия вызвало необходимость разработки новых методов анализа, расширение и углубление теории количественного анализа.
Постоянный рост промышленного производства также вызывает необходимость разработки новых методов анализа, так как количественный химический анализ является основой контроля производственных и технологических процессов.
Для проведения количественного анализа можно применять два различных метода: весовой и объемный. При весовом методе определяемые тела выделяются в виде, по возможности, нерастворимых или трудно растворимых соединений известного химического состава, и определяется вес их, на основании которого можно найти количество искомого элемента вычислением. При объёмном анализе измеряются объёмы титрованных (содержащих определенное количество реактива) растворов, употребляемых для анализа. Кроме того, различается ещё ряд специальных методов количественного химического анализа: электролитический, основанный на выделении отдельных металлов электролизом; колориметрический, производимый по сравнению интенсивности окраски данного раствора с окраской раствора определенной крепости; органический анализ, состоящий в сожжении органического вещества в углекислый газ СО2 и воду НгО и в определении по количеству их относительного содержания в веществе углерода и водорода; газовый анализ, состоящий в определении некоторыми специальными методами качественного и количественного состава газов или их смеси.
Практически все методы количественного анализа основаны на зависимости каких-либо доступных измерению свойств веществ от их состава. Поэтому важное направление аналитической химии - отыскание и изучение таких зависимостей с целью использования их для решения аналитических задач. При этом почти всегда необходимо найти уравнение связи между свойством и составом, разработать способы регистрации свойства (аналитического сигнала), устранить помехи со стороны других компонентов, исключить мешающее влияние различных факторов (например, флуктуации температуры). Величину аналитического сигнала переводят в единицы, характеризующие количество или концентрацию компонентов. Измеряемыми свойствами могут быть, например, масса, объем, светопоглощение.
Большое внимание уделяется теории методов анализа. Теория химических и частично физико-химических методов базируется на представлениях о нескольких основных типах химических реакций, широко используемых в анализе (кислотно-основных, окислительно-восстановитительных, комплексообразования), и нескольких важных процессах (осаждения -растворения, экстракции). Внимание к этим вопросам обусловлено историей развития аналитической химии и практической значимостью соответствующих методов. Но поскольку доля химических методов уменьшается, а доля физико-химических и физических методов растет, большое значение приобретает совершенствование теории методов двух последних групп и интегрирование теоретических аспектов отдельных методов в общей теории аналитической химии.
Точность анализа — это собирательная характеристика метода или методики, включающая их правильность и воспроизводимость. Когда говорят о высокой точности, предполагают, что результаты правильные и разброс данных анализа незначителен. Точность часто характеризуют относительной погрешностью определения в процентах.
Требования к точности анализа обычно определяются целью и задачами анализа, природой объекта. Необязательно всегда стремиться к высокой точности. Например, при текущем контроле многих металлургических и химических производств определение компонентов можно проводить с погрешностью в 10 — 15 %. В других отраслях, например, в фармацевтической и пищевой промышленности необходимо более точно определять как содержание основного компонента, так и содержание вредных примесей. В этом случае погрешность не должна превышать 0,1- 1 %. Для индустрии полупроводников погрешность определения основных компонентов должна быть ниже 0,1 %, а по возможности и 0,01 %, так как физические свойства этих соединений в значительной степени зависят от постоянства их стехиометрического состава.
Достаточно точны гравиметрические и титриметрические методы, погрешность которых обычно составляет соответственно 0,05 - 0,2 % и 0,1 - 0,5 %. Из современных методов наиболее точен кулонометрический, позволяющий проводить определение компонентов с погрешностью 0,001 - 0,01 %.
Как правило, требования к точности химического анализа диктуют технологи, геологи, медики, физики и т. д. Однако неоправданное требование высокой точности определения обычно удлиняет и удорожает химический анализ. Так, при увеличении точности определения ряда компонентов с 2 % до 0,2 % время анализа увеличивается более чем в 20 раз. Завышение требований к точности часто приводит к необходимости использовать более сложную н дорогостоящую аппаратуру [12].
Качественный анализ - совокупность химических, физико-химических и физических методов, применяемых для обнаружения элементов, радикалов и соединений, входящих в состав анализируемого вещества или смеси веществ.
Элементный анализ - качественное обнаружение и количественное определение содержания элементов и элементного состава веществ, материалов и различных объектов. Это могут быть жидкости, твердые материалы, газы и воздух. Элементный анализ позволяет ответить на вопрос - из каких атомов (элементов) состоит анализируемое вещество [14].
В самом начале становления метода элементный анализ был только качественным. Исследователи оценивали растворимость проб в инертных или химически активных растворителях, либо по объему выделения газов, либо устойчивость при нагревании, изменении цвета, окраса пламени, изменения фазового состояния и т. п. То есть использовались в основном физически ощутимые параметры, которые человек мог проанализировать самостоятельно без дополнительных приборов.
Уравнение сигнала на выходе приемника излучения с цилиндрической диаграммой направленности
3 Быстродействие контроля веществ достигается с помощью неразрушающих методов, к числу которых относятся оптические и радиоволновые методы. В их основе лежат такие физические явления, как интерференция, дифракция, поляризация, преломление, отражение, поглощение, рассеяние, дисперсия. Эти методы используются для контроля линейных и угловых размеров изделий, механической чистоты обработки материалов, толщины покрытий материалов, структуры кристаллов и веществ. Известно большое количество приборов, успешно внедренных в практику контроля и дефектоскопию. Это достаточно сложные и дорогие приборы, которые затруднительно использовать в бытовых условиях без обучения и подготовки людей к работе. В данной группе методов существуют отдельные методы контроля физико-химического состояния вещества, но они сводятся к определению какого-либо физического параметра, например, плотности вещества, оптической прозрачности и т. п. Погрешность оптических методов зависит от используемых источников светового излучения и составляет 0,1 - 0,5 % для фотометров с оптической компенсацией и 0,05 % при использовании лазерного излучения. Погрешности радиоволновых методов очень разнородны, так как в значительной степени зависят от объекта контроля. Так контроль изменений диэлектрических свойств объекта проводится с погрешностью 0,5 - 3 %, тогда как контроль геометрический параметров объекта (толщина, диаметр) - с погрешностью 3 - 10 %. В среднем погрешность данной группы методов лежит в пределах 1 - 5%, а время контроля - в пределах от 1 до 5 минут.
В изученной нами литературе экспресс-контролю веществ должного внимания не уделяется. Следовательно, необходимо создать инструменты для экспресс-контроля веществ, с которыми сталкивается человек в своей повседневной жизни. Методы, рассмотренные выше, реализованы в стационарных приборах, которые находятся в лаборатория и недоступны людям из-за своей громоздкости, сложности в обращении и дороговизны. И как следствие этого, для построения мобильных инструментов требуется разработать новый метод контроля.
Из содержания первой главы следует, что для создания мобильных инструментов для экспресс-контроля веществ требуется новый метод контроля, поскольку известные оптический и радиоволновой методы основаны на определении физических переменных (коэффициент преломления, коэффициент поляризации, коэффициенты отражения и рассеяния и др.) При анализе качества вещества целесообразно использовать физические явления более глубокого уровня, а именно взаимодействие молекул вещества с фотонами электромагнитного излучения. Наши рассуждения основаны на следующих положениях.
Физические основы взаимодействия электромагнитного поля с веществом построены на теории статистической математической физики с учетом корпускулярно-волновой теории [45, 46, 47, 48, 49, 50, 51, 52, 53, 54]. Статистическая физика изучает макросистемы, состоящие из большого числа частиц, например, молекул. Внутри молекулы имеются электроны, которые находятся в непрерывном движении с постоянной скоростью по орбитам. Сама молекула может вращаться вокруг оси, проходящей через центр масс. Следовательно, в первом приближении, молекулу можно рассматривать как колебательную систему с некоторой передаточной функцией или функцией прозрачности по терминологии авторов книги [55]. Эта функция определяет энергию электромагнитного поля, которая присутствует на выходе колебательной системы. Поскольку молекулы в веществе двигаются хаотично, то макросистема всякий раз случайно меняет свою структуру, т. е. она представляет собой динамическую систему со случайными параметрами и характеристиками. По-видимому, каждое вещество имеет свои вероятностные характеристики при интерпретации его макросистемой. Таким образом, вероятностные характеристики электромагнитного поля на выходе вещества будут зависеть от статистических характеристик колебательной макросистемы. Здесь можно сформулировать гипотезу в следующем виде: вероятностные характеристики сигнала, полученного в результате взаимодействия ЭМП с веществом, однозначно определяют качество вещества. Эта гипотеза позволяет говорить о том, что добавление в вещество другого компонента изменит структуру макросистемы и её вероятностные характеристики. И как результат этого, сразу изменятся вероятностные характеристики сигнала.
Заметим, что вероятностная модель макросистемы предполагает использование сверхвысокочастотного электромагнитного поля светового диапазона частот, поскольку протекающие физические процессы внутри молекул и между ними «быстротечны». Для исключения эффекта привыкания молекул к ЭМП необходимо сделать поле случайным. При этом часть его энергии пойдет на потери, которые связаны с нагреванием вещества, с отражением от поверхности вещества, с индуцированным излучением [56]. Потери энергии в данной модели не рассматриваются.
В работе в качестве прототипа выбран радиоволновой метод неразрушающего контроля, который содержит следующие технические приёмы: излучение детерминированного электромагнитного поля, взаимодействие ЭМП с веществом, выделение сигнала в результате завершения одного из физических эффектов, в том числе интерференции, дифракции, поляризации, преломления, отражения, поглощения, рассеяния электромагнитных волн, сравнение уровня сигнала со шкалой, которая построена с учетом используемого физического эффекта, например, содержит значения коэффициента поглощения при контроле толщины вещества (материала).
Поскольку нами выбрана вероятностная модель макросистемы (вещества), то необходимо электромагнитное поле сделать случайным, а шкалу построить с учетом значений вероятностных характеристик сигнала, полученного после взаимодействия ЭМП с веществом. Такие отличия технических приемов от приемов радиоволнового метода неразрушающего контроля вызывают необходимость их подчеркнуть с помощью идентификации метода как радиостатистического.
Радиостатистический метод контроля основан на взаимодействии случайного электромагнитного поля с веществом и определении вероятностных характеристик сигнала (электрического, светового), полученного в процессе взаимодействия. Затем, с помощью шкалы со значениями вероятностных характеристик, построенной с использованием образцов, контролируемое вещество относится к ближайшей категории качества: «хорошее», «удовлетворительное», «фальсификат». Для определения категории по значениям вероятностных характеристик сигнала рассчитывается интегральный показатель качества вещества или степень соответствия совокупных требований к качеству.
Термин «интегральный показатель качества» рекомендован ГОСТ 15467 -79 [57] и определяет полезный эффект от потребления вещества к затратам на его приобретение. Нами добавлено требование взвешенного сочетания главных компонентов вещества, определяющих его органолептические и потребительские свойства согласно ГОСТа или сертификата. При этом понятие качества вещества, как степень соответствия совокупности присущих характеристик требованиям, остается неизменным.
Функциональные возможности программного продукта
По результатам теоретических исследований прохождения электромагнитного поля через различные среды установлено, что на нагрузке приемника значением 105 Ом появляется напряжение значением 15,9 мВ при длине среды h = 0,02 м. Падение напряжения происходит по экспоненциальному закону. Эти данные можно использовать при разработке рекомендаций по построению преобразователя электромагнитного поля в напряжение при использовании различных веществ в качестве среды распространения.
Рассмотрим вариант построения преобразователя, в котором используется две различных среды распространения электромагнитных волн, а именно воздушная среда и контролируемое вещество.
Если расстояние от источника излучения до контролируемого вещества выбрать равным расстоянию от контролируемого вещества до приемника, то по данным наших вычислений можно рекомендовать следующие размеры преобразователя. Если преобразователь построить в соответствии рисунком 10, тогда названные расстояния могут быть равны: 1\ = 0,01 м, h = 0,01 м, /з = 0,02 м, а общая длина преобразователя / = 0,04 м.
В случае если первая и третья среды - воздушные, а в качестве контролируемого вещества используется вода, напряжение на нагрузке приемника будет равно 15,9 мВ при энергии излучения, падающей на приемник, равной 0,067 мкДж.
При увеличении размеров преобразователя напряжение на нагрузке приемника уменьшается за счет поглощения электромагнитной поля в воздушной среде. Например, при увеличении размеров воздушной среды до 1\ = 0,1 м и /з = 0,1 м напряжение на нагрузке преобразователя составит 14,3 мВ при длине преобразователя / = 0,21 м. Дальнейшее увеличение длины преобразователя приведет к экспоненциальному падению выходного напряжения приемника.
Такой вариант проектирования преобразователя не является перспективным, поскольку не согласуется с требованиями миниатюризации и к тому же усложняет схему устройства контроля веществ, за счет необходимости увеличения коэффициента усиления напряжения ищ на выходе приемника. При использовании программы-анализатора «Характериометр» требуется, чтобы амплитуда напряжения «АЦП, которое подается на вход АЦП и затем используется «Характериометром» для дальнейших расчетов, равнялась 3 В.
Усилитель с большим коэффициентом усиления сложнее в реализации. Таким образом, увеличение размеров преобразователя приводит к усложнению схемы устройства контроля вещества.
С целью микроминиатюризации устройства контроля веществ размеры преобразователя должны быть меньше указанных выше. Исходя из того, что на практике вещество можно дозировать при помощи медицинской пипетки [77, 78], а фармацевтической мерой капли принято считать 0,05 мл [79]. Этот объем можно поместить в цилиндрическую кювету с диаметром 10 мм и высотой 1 мм. Размеры воздушных сред можно также сделать длиной 1 мм. Тогда преобразователь будет иметь следующие размеры: диаметр d\ = 15 мм, с1г= 10 мм, длины l\ = 1 мм, /2 = 1 мм, /з = 1 мм, общая длина преобразователя / = Змм.
Данные расчеты приведены при использовании в качестве приемника излучения фотодиода ФД-246, площадь принимающей поверхности которого приблизительно равно 141 мм2. При использовании другой элементной базы возможно дальнейшее уменьшение размеров. Однако оно должно согласовываться с теорией электромагнитного поля Максвелла и классической электродинамикой. Теоретическим пределом размеров /і, h, h является расстояние, сравнимое с комптоновской длиной волны электрона [80, 81, 82, 83, 84] где h - приведенная постоянная Планка; те - масса электрона; с - скорость света. При столь малых расстояниях начинают действовать законы квантовой теории поля, что приводит к появлению новых эффектов, отсутствующих в классической теории поля. Существуют практические рекомендации, что для того чтобы работали законы классической теории поля, расстояние от источника излучения до вещества не должно быть меньше пяти длин волн падающего излучения [60].
Разработаны элементы теории радиостатистического метода исследования веществ, которые позволяют вычислить энергию электромагнитного поля в каждой среде и сигнал на выходе приемника излучения с цилиндрической и конической диаграммами направленности.
При взаимодействии с веществом энергия электромагнитного поля уменьшается. Степень уменьшения энергии зависит от коэффициента затухания конкретного вещества и расстояния, пройденного электромагнитной волной в веществе.
Проведены расчеты энергии электромагнитного поля и напряжения на выходе приемника излучения с цилиндрической и конической диаграммами направленности. Энергия и напряжение уменьшаются по экспоненциальному закону в зависимости от расстояния между источником и приемником излучения. При этом приемник с цилиндрической диаграммой направленности преобразует в электрический сигнал в 3 раза больше энергии, чем приемник с конической диаграммой направленности. Полученные зависимости согласуются с известными результатами исследования электромагнитного поля.
При размере третьей среды h = 0,02 м энергия электромагнитного поля в цилиндрическом объеме составляет 0,067 мкДж, а в коническом - 0,022 мкДж. Также расчеты показали, что при прохождении через водную среду электромагнитная волна угасает почти в 8 раз быстрее, чем через воздушную среду.
Фотоприемник ФД-246 с интегральной чувствительностью 3,5 мА/Лм на нагрузке 105 Ом имеет выходное напряжение, равное 15,9 мВ, при h = 0,02 м и 8,4 мВ при /з = 1 м.
Предложены рекомендации по проектированию преобразователя электромагнитного поля в электрический сигнал. 4 Методика исследования веществ радиостатистическим методом и определение интегрального показателя качества
При математическом обеспечении исследований использована теория вероятности и случайных процессов. Изучены вероятностные характеристики случайных процессов, полученные с помощью программно-аппаратного комплекса. Данный комплекс измеряет прямым методом значения оценок действительной и мнимой частей характеристической функции и косвенным методом значения оценок других вероятностных характеристик случайных процессов.
Случайные процессы наряду с общепринятыми функциями распределения можно характеризовать некоторыми вспомогательными функциями, которые однозначно связаны с функциями распределения, а поэтому отражают и описывают все свойства случайного процесса. К таким функциям относится характеристическая функция, предложенная A.M. Ляпуновым для доказательства центральной предельной теоремы теории вероятности.
Характеристической функцией [85] называют статистическое среднее экспоненты с мнимым показателем вида }Vm ,{t), в котором случайный процесс (t) умножается на произвольный вещественный параметр Vm. Математическая модель характеристической функции представляется выражением
Устройство контроля интегрального показателя качества вещества
Этот слой реализует выражение (4.43). Сигнал на его выходе представляет собой сумму произведений весов wc и нормированных степеней активности правил тк. Веса связей, обозначенные символом wc , соответствуют константе с в правилах. Они должны иметь нулевые начальные значения, что отражает факт отсутствия заключений до начала обучения сети. Поэтому можно утверждать, что модификация этих весов в процессе обучения равнозначна построению правил. Представленные в данном разделе структуры нейро-нечетких сетей характеризуются следующими важными свойствами: формирование нечетких правил и уточнение функций принадлежности производится параллельно и полностью в автоматическом режиме; представленный способ реализации нечеткого вывода должен рассматриваться лишь как простейший пример.
Нейро-нечеткие сети с подобной архитектурой в англоязычной литературе получили название Adaptive Neuro-Fuzzy Inference System (ANFIS) - адаптивная сеть нечеткого вывода. Она была предложена Янгом (Jang) в начале девяностых годов [99]. ANFIS является одним из первых вариантов гибридных нейро-нечетких сетей -нейронной сети прямого распространения сигнала особого типа. Архитектура нейро-нечеткой сети изоморфна нечеткой базе знаний. В нейро-нечетких сетях используются дифференцируемые реализации треугольных норм (умножение и вероятностное ИЛИ), а также гладкие функции принадлежности. Это позволяет применять для настройки нейро-нечетких сетей быстрые алгоритмы обучения нейронных сетей, основанные на методе обратного распространения ошибки.
Каждая разновидность систем искусственного интеллекта имеет свои особенности, например, по возможностям обучения, обобщения и выработки выводов, что делает ее наиболее пригодной для решения одного класса задач и менее пригодной - для другого.
И нейросетевой аппарат, и аппарат нечеткой логики успешно справляются с задачами, которые традиционные системы решают не самым лучшим образом. Если возникает необходимость управлять объектом, который обладает неоднозначными свойствами, описание которого заведомо неполно либо не может быть сведено к простой математической модели, то приходится искать решения, альтернативные «обычным» способам управления, и чаще всего выбираются нейронные сети или системы с нечеткой логикой.
Важнейшим достоинством нейронных сетей считается возможность их обучения и адаптации. Нам не требуются полные знания об объекте управления (например, его математическая модель). На основе входных и заданных (эталонных) сигналов нейронная сеть может научиться управлять объектом. Нейронные сети состоят из огромного количества взаимосвязанных простых обрабатывающих элементов (нейронов), что в результате дает громадную вычислительную мощность при использовании параллельной обработки информации. К сожалению, способ проектирования таких систем основывается скорее на интуиции, чем на существующих закономерностях. До настоящего времени неизвестен алгоритм расчета количества слоев сети и количества нейронов в каждом слое для конкретных приложений. Тем не менее, по завершении обучения нейронные сети становятся незаменимыми средствами решения задач распознавания образов, аппроксимации, оптимизации, векторного квантования либо классификации. С другой стороны, накопленные нейронной сетью знания оказываются распределенными между всеми ее элементами, что делает их практически недоступными для наблюдателя.
Этого недостатка лишены системы управления с нечеткой логикой. Однако в данном случае знания о способе управления необходимы уже на стадии проектирования управляющих модулей, причем они должны исходить от экспертов и, следовательно, возможность обучения отсутствует. Однако и в такой ситуации полные знания (описывающие в математическом виде функциональную зависимость между входами и выходами системы) не требуются. В отличие от обычных модулей управления, используются не количественные, а качественные знания. Система принимает решения на основе правил, записанных в форме импликации IFHEN. Простейший подход к проектированию таких систем заключается в формулировании правил управления и функции принадлежности по результатам наблюдения за процессом управления. Если проект оказывается неудачным, то функцию принадлежности и/или правила управления можно легко модифицировать. Основной недостаток подобных систем - это невозможность адаптации и обучения.
Объединение обоих подходов позволяет, с одной стороны, привнести способность к обучению и вычислительную мощность нейронных сетей в системы с нечеткой логикой, а с другой стороны - усилить интеллектуальные возможности нейронных сетей свойственными человеческому способу мышления нечеткими правилами выработки решений.
Попытки такого объединения стали в последние годы предметом весьма интенсивных исследований. Их результатом можно считать системы выработки решений, в разной степени реализующих идею нечеткого мышления в комплексе с заимствованной от нейронных сетей способностью к обучению.
Таким образом, применение аппарата нейро-нечетких сетей для классификации веществ по качеству является целесообразным и перспективным, так как позволяет объединить мощные возможности классификации, которыми обладают нейронные сети, при этом сохранив логику работы системы за счет применения аппарата нечеткой логики. 4.8 Практическая реализация подсистемы нейро-нечеткого вывода
Для решения задачи классификации веществ по категориям качества разработана подсистема нейро-нечеткого вывода [100, 101]. В разработанной подсистеме реализован алгоритм нечеткого логического вывода Сугено нулевого порядка [102].
Основное внимание уделено формулированию функций принадлежности (ФП), т. е. определению форм и областей определения ФП. В нашем случае нахождение областей определения интервалов ФП весьма затруднительно и требует анализа значений большого массива экспериментальных данных. Использование нейро-нечетких сетей позволяет решить эту проблему.
Нечеткая нейронная сеть была разработана при помощи модуля адаптивного нейро-нечеткого вывода ANFIS (Adaptive Network-Based Fuzzy Inference System) [102]. Использование модуля ANFIS накладывает ряд ограничений, в частности нечеткий логический вывод ограничен системами типа Сугено нулевого и первого порядка, также количество правил вывода должно совпадать с количеством выходных категорий качества.
Разработанная сеть имеет три входные переменные М2, М4 - значения центральных моментных функций второго и четвертого порядков соответственно, к(т) - значение корреляционной функции в момент времени т. Выход сети -лингвистическая переменная Q, т. е. категория качества вещества.
