Оценка возможности моделирования нелинейной градуировочной функции многих переменных с помощью искусственных нейронных сетей

Использование искусственных нейронных сетей (ИНС) считается оправданным в задачах, не имеющих общепризнанного алгоритма решения. Одной из таких задач в рентгенофлуоресцентном анализе (РФА) является контроль содержания металлов в атмосферном воздухе и воздухе рабочей зоны. Построение градуировочных характеристик осложнено отсутствием стандартных образцов состава аэрозолей, собранных на фильтр. Для решения этой проблемы создавали синтетические градуировочные образцы (ГО) в виде тонкой органической пленки, содержащей порошковый материал известного химического состава. Массу пленочных образцов варьировали от 40 до 155 мг, чтобы имитировать различную загруженность фильтров аэрозолями. Содержание компонентов в них изменяется в 20 – 200 раз, что соответствует пробам реальных аэрозолей. На примере анализа 38 таких пленочных градуировочных образцов, чья масса составляла от 40 до 100 мг, оценили возможность моделирования нелинейной градуировочной функции многих переменных с помощью искусственных нейронных сетей. Исследованы структура нейронной сети, активационные функции и алгоритмы обучения. Моделирование выполняли с помощью академической версии аналитической платформы Deductor компании BaseGroup. Установлено, что реализация алгоритма обратного распространения ошибок приводит к погрешности анализа, намного превышающей погрешность регрессионных градуировочных функций. Алгоритм Resilient Propagation обеспечил наименьшие значения погрешности (S_r) определения ванадия в градуировочных образцах аэрозолей. Диапазон низких содержаний элементов в обучающей выборке известен с большей погрешностью, чем высоких, в связи с чем сигмоидная функция активации приводит к неудовлетворительной правильности результатов анализа, поэтому предпочтение следует отдать гиперболическому тангенсу.

1. Коржова Е. Н., Кузнецова О. В., Смагунова А. Н., Ставицкая М. В. Определение неорганических загрязнителей в аэрозолях воздуха / Журн. аналит. химии. 2011. Т. 66. № 3. С. 228 – 246.

2. Stepanova T. V., Korzhova, E. N., Smagunova А. N., Nesterenko N. A. Processes of Formation and Physical-Chemical Properties of Welding Fumes / Welding Int. 2016. Vol. 30. N 10. P. 786 – 793. DOI: 10.1080/09507116.2016.1148402

3. Коржова Е. Н., Степанова Т. В., Лодоусамба С., Смагунова А. Н. Контроль состава сварочных аэрозолей (обзор) / Заводская лаборатория. Диагностика материалов. 2015. Т. 81. № 7. С. 6 – 18.

4. Пат. РФ 2324915. Коржова Е. Н., Смагунова А. Н., Карпукова О. М., Козлов В. А. Способ изготовления синтетических стандартных образцов атмосферных аэрозолей, нагруженных на фильтр.

5. Степанова Т. В., Смагунова А. Н., Коржова Е. Н. Выбор порошка-носителя аналитов для приготовления градуировочных образцов при рентгенофлуоресцентном анализе сварочных аэрозолей / Аналитика и контроль. 2015. Т. 19. № 2. С. 139 – 145. DOI: 10.15826/analitika.2015.19.2.011

6. Молчанова Е. И., Коржова Е. Н., Степанова Т. В., Кузьмин В. В. Анализ проб с неизвестной матрицей с использованием алгоритмов Data Mining / Заводская лаборатория. Диагностика материалов. 2016. Т. 82. № 10. С. 22 – 25.

7. Баскин И. И., Палютин В. А., Зефиров Н. С. Применение искусственных нейронных сетей в химических и биохимических исследованиях / Вест. Моск. ун-та. Серия 2. Химия. 1999. Т. 40. № 5. C. 323 – 326.

8. Кириченко А. А. Нейропакеты — современный интеллектуальный инструмент исследователя. https://www.hse.ru/data/2013/08/26/1290192359/Нейропакеты_-_современный интеллектуальный инструмент исследователя.pdf (дата обращения 1 августа 2021 г.).

9. Горбань А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / Сибирский журн. вычислительной математики. 1998. Т. 1. № 1. С. 12 – 24.

10. Хайкин С. Нейронные сети: полный курс / Пер. с англ. — М.: Издательский дом Вильямс, 2016. — 1104 с.

11. Rakotondrajoa A., Radtke M. Machine learning based quantification of synchrotron radiation-induced X-ray fluorescence measurements — a case study / Mach. Learn.: Sci. Technol. 2021. 2 025004. DOI: 10.1088/2632-2153/abc9fb

12. Молчанова Е. И., Смагунова А. Н., Щербаков И. В. Особенности матричной коррекции при рентгенофлуоресцентном анализе проб с широкими вариациями состава / Журн. аналит. химии. 2011. Т. 66. № 9. С. 940 – 946.

13. Deductor: Описание платформы: Deductor — продвинутая аналитика без программирования / Base Group Labs. https://basegroup.ru/deductor/description (дата обращения 1 августа 2021 г.).

14. Степанов Л. В. Моделирование конкуренции в условиях рынка. — М.: Академия Естествознания, 2009. — 115 с.

15. Алгоритм обучения RProp — математический аппарат / Base Group Labs. https://basegroup.ru/community/articles/rprop (дата обращения 1 августа 2021 г.).

16. Функции активации в нейронных сетях. http://www.aiportal.ru/articles/neural-networks_activation-function.html (дата обращения 1 августа 2021).