Метод идентификации веществ по их спектрам

Введение
Постановка задачи 5
Обзор литературы 8
Глава 1. Предобработка данных 12
1.1. Метод главных компонент 12
1.2. Линейный дискриминантный анализ 17
Глава 2. Нейронная сеть 21
2.1. Описание нейронной сети 21
2.2. Обучение нейронной сети 23
2.3. Перекрёстная проверка 25
Глава 3. Оценка эффективности применения PCA, LDA и нейронной сети для обработки и идентификации спектров 27
3.1. Выбор количества главных компонент 27
3.2. Выбор количества нейронов скрытого слоя 28
3.3. Оценка результатов 28
Выводы 30
Заключение 31
Список литературы 32
Приложения 34
Приложение 1. Реализация LDA в MATLAB 34
Приложение 2. Графики величин собственных чисел 37
Приложение 3. Реализация процесса кроссвалидации 38
Приложение 4. Реализация структуры нейронной сети и её процесса обучения
Купить

Автоматизированный анализ данных имеет множество достоинств, в связи с чем используется практически во всех областях, которыми занимается человек. Объем данных становится слишком большим для целостного восприятия человеком, потому разработка и внедрение алгоритмов, анализирующих данные или упрощающих их восприятие, становятся актуальной задачей повсеместно.
Спектральный анализ (или спектроскопия) — это набор методов, применяемых с целью обнаружения и определения количества элементов, радикалов и соединений, которые входят в состав объекта. Эти методы основываются на изучении спектров воздействия излучения на материю.
Спектроскопия довольно давно и широко используется в химии, физике и астрономии, в большинстве случаев позволяя эффективно идентифицировать вещество или объект и его состав по результатам анализа графика спектра в различных световых диапазонах.
Из преимуществ спектрального анализа можно отметить:
• анализ небольшого количества материала (около 0,1 грамма);
• анализ без разрушения объекта;
• универсальность методов анализа;
• высокая точность;
• высокая производительность.
В данной работе решается задача поиска метода для идентификации породы образцов древесины по их спектрам, так как идентификация материала со сложным составом (например, древесины) является непростой задачей, и, в случае её успешного решения, данный метод можно распространить на другие объекты со сложным составом.
Существенной сложностью в задаче идентификации по спектрам являются проблемы в процессе непосредственного сбора спектров [2]:
• шумы и помехи, связанные с неидеальными компонентами прибора;
3
• воздействие внешних факторов, таких как температура, освещённость и пр.;
• гетерогенность образцов ввиду естественных причин и человеческого фактора.
Классифицируемые множества обрабатываемых данных не являются линейно сепарабельными, в связи с чем стандартные методы классификации, такие как к ближайших соседей(k-nearest neighbors) или к взвешенных ближайших соседей, не дают хорошего результата. Для решения этой задачи была использована нейронная сеть, устроенная по типу многослойного персептрона(multilayer perceptron) (также в русскоязычной литературе встречается «перцептрон») [3], для предварительной подготовки данных применялся метод главных компонент(Principal Component Analysis, PCA) [4] и линейный дискриминантный анализ(Linear Discriminant Analysis, LDA) [5].
В начале работы осуществляется постановка задачи и оценка существующих методов спектрального анализа.
В первой главе описываются использованные методы предварительной обработки данных.
Вторая глава посвящена описанию и практической реализации нейронной сети по типу многослойного персептрона, а также методу её обучения.
Третья глава, которая является последней, посвящена подбору оптимальных параметров и оценке полученных результатов.
Купить