РАЗРАБОТКА МОДЕЛИ НЕЙРОННОЙ СЕТИ ДЛЯ АНАЛИЗА ГАЗОВЫХ СМЕСЕЙ
DOI:
https://doi.org/10.52167/1609-1817-2024-132-3-350-360Ключевые слова:
искусственная нейронная сеть, нейрон, функция активации, газовая смесь, газоанализаторАннотация
Проблема производственных травм остается значимой в Казахстане и мировом масштабе. Исследования отечественных ученых показывают, что основными лидирующими отраслями с наиболее высокими показателями производственного травматизма уже многие годы стабильно остаются обрабатывающая, горнодобывающая и строительная отрасли, а одной из причин является высокий уровень загазованности рабочих помещений. Целью данного исследования являются выбор архитектуры и разработка нейронной сети для мультиспектрального газоанализатора, способная проводить качественный анализ газовых смесей в воздушной среде на наличие опасных газов, которую в дальнейшем планируется использовать при разработке газоанализатора. В работе показан процесс разработки однослойного персептрона, предназначенного для анализа предварительно обработанных спектральных данных, с одним входным слоем, одни скрытым слоем и одним выходным слоем. Представлена математическая модель предложенной архитектуры нейронной сети. А также реализован программный код на языке программирования Python для построения, обучения и тестирования нейронной сети. Исследования показали, что в выходном слое наиболее подходящей функцией активации является функция Softmax. В скрытом слое может быть применена любая из рассмотренных функций. Однако, наилучшие результаты показала функция активации ReLU. При этом количество нейронов в скрытом слое – 45, а для обучения данной нейронной сети достаточно 37 итераций.
Библиографические ссылки
[1] Ердесов Н. Ж., Сраубаев Е. Н., Серик Б. Производственный травматизм и профессиональная заболеваемость в Республике Казахстан. Медицина и экология, 2020, 4(97), С. 38–45.
[2] Ahmed, I., Jeon, G., Piccialli, F. From Artificial Intelligence to Explainable Artificial Intelligence in Industry 4.0: A Survey on What, How, and Where. IEEE Transactions on Industrial Informatics, 2022, 18(8), C. 5031–5042. https://doi.org/10.1109/tii.2022.3146552
[3] Kim, B., Lee, S., Kim, J. Inverse design of porous materials using artificial neural networks. Science advances, 2020, 6(1), eaax9324. https://www.science.org/doi/10.1126/sciadv.aax9324
[4] Asteris, P. G., Mokos, V. G. Concrete compressive strength using artificial neural networks. Neural Computing and Applications, 2020, 32(15), C. 11807-11826. https://doi.org/10.1007/s00521-019-04663-2
[5] Trunin, A. M., Ragozin, A. N., Darovskih, S. N. An Investigation of the Application of an Artificial Neural Network and Machine Learning to Improve the Efficiency of Gas Analyzer Systems in Assessing the State of the Environment. In 2021 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2021, C. 571-575. https://ieeexplore.ieee.org/document/9446406
[6] Zhang, G., Wu, X. A novel CO2 gas analyzer based on IR absorption. Optics and Lasers in Engineering, 2004, 42(2), C. 219-231. https://doi.org/10.1016/j.optlaseng.2003.08.001
[7] Муканова, Ж.А., Атанов С.К. Интеллектуальный газоанализатор. Патент РК на полезную модель № 8288, 2023, Бюл. № 29
[8] Ghani, F. A., Rivaie, M., Yusoff, M., Puteh, M. A Review of Artificial Neural Network Applications in Variants of Optimization Algorithms. 2022 International Visualization, Informatics and Technology Conference (IVIT), 2022. https://doi.org/10.1109/ivit55443.2022.10033339
[9] Gunawan, T. S., Mohd Noor, A. F. R., Kartiwi, M. Development of English Handwritten Recognition Using Deep Neural Network. Indonesian Journal of Electrical Engineering and Computer Science, 2018, 10(2), C. 562. https://doi.org/10.11591/ijeecs.v10.i2.pp562-568
[10] Saranya, G., Pravin, A. A comprehensive study on disease risk predictions in machine learning. International Journal of Electrical and Computer Engineering (IJECE), 2020, 10(4), C. 4217. https://doi.org/10.11591/ijece.v10i4.pp4217-4225
[11] Mukanova, Z., Atanov, S., Jamshidi, M. Features of Hardware and Software Smoothing of Experimental Data of Gas Sensors. 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST), 2021. https://doi.org/10.1109/sist50301.2021.9465981
[12] Sharma, S., Sharma, S., Athaiya, A. Activation functions in neural networks. Towards Data Sci, 2017, 6(12), C. 310-316.
[13] Li, J., Cheng, J., Shi, J., Huang, F. Brief Introduction of Back Propagation (BP) Neural Network Algorithm and Its Improvement. Advances in Computer Science and Information Engineering, 2012, C. 553–558. https://doi.org/10.1007/978-3-642-30223-7_87
[14] Wang, M., Lu, S., Zhu, D., Lin, J., Wang, Z. A High-Speed and Low-Complexity Architecture for Softmax Function in Deep Learning. 2018 IEEE Asia Pacific Conference on Circuits and Systems (APCCAS), 2018. https://doi.org/10.1109/apccas.2018.8605654
[15] Agostinelli, F., Hoffman, M., Sadowski, P., Baldi, P. Learning activation functions to improve deep neural networks. arXiv preprint arXiv:1412.6830, 2014. https://doi.org/10.48550/arXiv.1412.6830
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Жанна Муканова, Сабыржан Атанов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
