Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів
Описано декілька підходів до нормалізації даних хлорофіл-флуорометрів та зменшення їхньої розмірності.
Gespeichert in:
| Datum: | 2017 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2017
|
| Schriftenreihe: | Комп’ютерні засоби, мережі та системи |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/131512 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2017. — № 16. — С. 76-86. — Бібліогр.: 7 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-131512 |
|---|---|
| record_format |
dspace |
| spelling |
nasplib_isofts_kiev_ua-123456789-1315122025-02-09T13:52:50Z Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів Chlorophyll fluorometer data normalization and dimensionality reduction Груша, В.М. Описано декілька підходів до нормалізації даних хлорофіл-флуорометрів та зменшення їхньої розмірності. Описаны несколько подходов к нормализации данных хлорофилл-флуорометров и уменьшение их размерности. The paper describes few approaches to normalization and dimensionality reduction of chlorophyll fluorometer data. 2017 Article Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2017. — № 16. — С. 76-86. — Бібліогр.: 7 назв. — укр. 1817-9908 https://nasplib.isofts.kiev.ua/handle/123456789/131512 004.9 uk Комп’ютерні засоби, мережі та системи application/pdf Інститут кібернетики ім. В.М. Глушкова НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Ukrainian |
| description |
Описано декілька підходів до нормалізації даних хлорофіл-флуорометрів та зменшення їхньої розмірності. |
| format |
Article |
| author |
Груша, В.М. |
| spellingShingle |
Груша, В.М. Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів Комп’ютерні засоби, мережі та системи |
| author_facet |
Груша, В.М. |
| author_sort |
Груша, В.М. |
| title |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| title_short |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| title_full |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| title_fullStr |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| title_full_unstemmed |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| title_sort |
нормалізація та зменшення розмірності даних хлорофіл-флуорометрів |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| publishDate |
2017 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/131512 |
| citation_txt |
Нормалізація та зменшення розмірності даних хлорофіл-флуорометрів / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2017. — № 16. — С. 76-86. — Бібліогр.: 7 назв. — укр. |
| series |
Комп’ютерні засоби, мережі та системи |
| work_keys_str_mv |
AT grušavm normalízacíâtazmenšennârozmírnostídanihhlorofílfluorometrív AT grušavm chlorophyllfluorometerdatanormalizationanddimensionalityreduction |
| first_indexed |
2025-11-26T13:16:51Z |
| last_indexed |
2025-11-26T13:16:51Z |
| _version_ |
1849858997197209600 |
| fulltext |
Комп’ютерні засоби, мережі та системи. 2017, № 16 76
V. Grusha
CHLOROPHYLL
FLUOROMETER DATA
NORMALIZATION AND
DIMENSIONALITY REDUCTION
The paper describes few approaches
to normalization and dimensionality
reduction of chlorophyll fluorometer
data.
Key words: chlorophyll fluorometer,
chlorophyll fluorescence induction,
neural networks.
Описаны несколько подходов к
нормализации данных хлорофилл-
флуорометров и уменьшение их
размерности.
Ключевые слова: хлорофилл-
флуорометр, индукция флуорес-
ценции хлорофилла, нейронные
сети.
Описано декілька підходів до
нормалізації даних хлорофіл-флуо-
рометрів та зменшення їхньої
розмірності.
Ключові слова: хлорофіл-флуоро-
метр, індукція флуоресценції хло-
рофілу, нейронні мережі.
В.М. Груша, 2017
УДК 004.9
В.М. ГРУША
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ
РОЗМІРНОСТІ ДАНИХ
ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Вступ. Один із способів спостереження за
станом рослин є метод вимірювання індукції
флуоресценції хлорофілу (ІФХ), що полягає
в освітлені листа рослини у синьому спектрі
світла з подальшою реєстрацією випроміню-
вання хлорофілу в червоному спектрі світла.
В результаті отримується так звана крива
індукції флуоресценції хлорофілу (ІФХ). В
даний час ІФХ вимірюються спеціальними
портативними приладами хлорофіл-флуоро-
метрами. Ряд таких приладів розроблено в
Інституті кібернетики імені В.М. Глушкова.
Зокрема, розроблено сімейство приладів
«Флоратест», на заміну яких у даний час ро-
зроблено мережу бездротових сенсорів ІФХ
[1]. Аналіз літератури та дослідження, про-
ведені в Інституті, свідчать, що діагностика
стану рослин на базі кривих ІФХ ускладнена
через значну залежність стану рослин від фа-
кторів навколишнього середовища та приро-
дну варіацію, що притаманна біологічним
об’єктам [2]. В зв’язку з цим, в останні роки
все ширше застосовуються методи машинно-
го навчання і зокрема нейронні мережі
(НМ) [3], що дозволяють враховувати прихо-
вані залежності у виміряних даних. При об-
робці даних за допомогою нейронних мереж
найчастішими задачами при підготовці вхі-
дних векторів НМ є нормалізація та змен-
шення розмірності цих даних. Нормалізація
– це приведення значень у певний діапазон,
переважно застосовуються інтервали [0,1],
[–1,1] або ж близькі до них. Це дозволяє
привести вимірювання різних величин до
однієї шкали та усунути деякі відмінності у
даних, виміряних різними флуорометрами
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Комп’ютерні засоби, мережі та системи. 2017, № 16 77
(невідкаліброваними або ж флуорометрами з дещо відмінними характеристика-
ми освітлення та діапазоном вимірювання). Зменшення розмірності даних до-
зволяє зменшити кількість входів НМ, нейронів у прихованих шарах та, відпо-
відно, скоротити час навчання нейронної мережі і зменшити вимоги до обчис-
лювальної продуктивності.
Дана стаття містить: 1) вивчення можливості покращення класифікації рос-
лин обприсканих різними дозами гербіциду за формою ІФХ, застосовуючи різні
способи нормалізації вхідного вектора нейронної мережі; 2) дослідження кіль-
кох способів зменшення розмірності вимірювань ІФХ на прикладі задачі класи-
фікації виду рослин, використовуючи НМ; 3) визначення водного дефіциту шля-
хом апроксимації даних ІФХ та параметрів навколишнього середовища НМ.
ІФХ. Крива ІФХ та найчастіше використовувані параметри для її аналізу
зображені на рис. 1.
РИС. 1. Крива ІФХ (логарифмічна шкала)
Найбільш застосовувані параметри ІФХ [4]: 0F – початковий рівень флуоре-
сценції; jF – флуоресценція в точці J (приблизний час 2 мс); IF – флуоресценція
в точці I (приблизний час 30 мс); tF – флуоресценція в час t ; MF або pF – мак-
симальний рівень флуоресценції хлорофілу;
MFt – час досягнення максимуму
флуоресценції (мс);
0Ft – час вимірювання початкового рівня флуоресценції
(мс); stF – стаціонарний рівень флуоресценції; 0FFF mv −= – максимальна ва-
ріабельна флуоресценція; stm FFk /1 = – розрахунковий параметр, який харак-
теризує ефективність темнової стадії фотосинтезу; mv FF / – розрахунковий па-
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2017, № 16 78
раметр, який характеризує ефективність фотосистеми II; FstFstFmRfd /)( −= –
так званий «індекс життєдіяльності рослини»; mstm FFFk /)(2 −= – коефіцієнт
ІФХ, який змінюється під дією стресових чинників; )/()( 00 FFFFV mtt −−= –
відносна змінна флуоресценція в час t; )/()( 00 FFFFV mjj −−= – відносна змін-
на флуоресценція (відносно точки J); )/()( 00 FFFFV MII −−= – відносна змінна
флуоресценція (відносно точки I); )/()( 00 FFFFV Mstst −−= – відносна змінна
флуоресценція (відносно стаціонарного рівня); dtFFArea
mF
F
t
t
tm∫ −=
0
)( – площа
над кривою ІФХ між F0 та Fm.
Нормалізація даних. Виміряні дані флуоресценції утворюють матрицю Х, в
якій кожен стовпець складається з 89 значень ІФХ, що утворюють виміряну
криву ІФХ. ikх – елемент матриці в i-му рядку, k-му стовпчику. ikх~ – нормалі-
зоване значення флуоресценції в i-му рядку, k-го стовпчика. kх – середнє зна-
чення k-го стовпця,
kхδ – стандартне відхилення значень ІФХ в k-му стовпці.
kmF , – максимальне значення в k-му стовпчику, kF ,0 – мінімальне значення флу-
оресценції в k-му стовпчику, ikxmax – максимальне значення матриці X.
В наукових публікаціях, присвячених ІФХ та методам машинного навчання
застосовують різноманітні способи нормалізації як то ділення на Fm або F0 [5],
мінімаксна нормалізація тощо. Розглянемо деякі з найбільш застосовуваних спо-
собів нормалізації:
- десяткове масштабування:
310
~ ik
ik
xx = ; (1)
- мінімаксна нормалізація в межах [0,1]
kkm
kik
ik FF
Fx
x
,0,
,0~
−
−
= ; (2)
- мінімаксна нормалізація в межах [–1,1]
12~
,0,
,0 −
−
−
=
kkm
kik
ik FF
Fx
x ; (3)
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Комп’ютерні засоби, мережі та системи. 2017, № 16 79
- централізація значення навколо середнього kx (z-оцінка).
kx
kik
ik
xxx
δ
−
=~ ; (4)
-нормалізація вектора (перетворення заданого вектора у колінеарний з
одиничною довжиною)
∑
=
2
~
k
ik
ik
x
xx ; (5)
- нормалізація на основі максимуму кривої (Fm)
km
ik
ik F
xx
,
~ = ; (6)
- нормалізація на основі максимального значення матриці Х
ik
ik
ik x
x
x
max
~ = ; (7)
- нормалізація на основі мінімального значення кривої ІФХ (F0)
k
ik
ik F
xx
,0
~ = ; (8)
- нормалізація на основі максимуму та мінімуму кривої (Fm, F0)
kkm
ik
ik FF
xx
,0,
~
−
= . (9)
Для тестування методів нормалізації були використані дані експерименту з
розпізнавання впливу гербіциду [2], виміряні на сьомий день після обприску-
вання. Рослини були поділені на три групи: контрольну групу, дві групи з різни-
ми дозами оброблення рослин гербіцидом «Раундап» (гліфосат). Для тестуван-
ня використовувалася двошарова нейронна мережа з 89 входами, 25 нейронами
в прихованому шарі та трьома у вихідному шарі. У прихованому шарі викорис-
товувалася сигмоїдна функція активації, а у вихідному – софтмакс функція.
В табл. 1 наведено максимальну точність розпізнавання в % ( mA ) та серед-
ню точність розпізнавання ( A ), що отримані після 100 повторних навчань і тес-
тувань нейронної мережі.
Точність розпізнавання обчислювалась за формулою
100*
T
p
N
N
А = ,
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2017, № 16 80
де pN – кількість правильно класифікованих кривих, TN – загальна кількість
кривих.
Як видно з таблиці, найкращі результати дають мінімаксний спосіб нормалі-
зації у межах [–1,1] – формула (3) та z-оцінка – формула (4).
ТАБЛИЦЯ 1. Результати тестування методів нормалізації
Спосіб нормалізації mA ,% A ,%
Без нормалізації 71,4 56
Формула 1 66.7 54.4
Формула 2 76,2 61,3
Формула 3 80,9 62,0
Формула 4 80,9 62,9
Формула 5 71,4 57,5
Формула 6 76,2 64,3
Формула 7 76,2 57,0
Формула 8 71,4 57,8
Формула 9 66,7 54,2
Зменшення розмірності даних вимірювань хлорофіл-флуорометрів.
Можна використати ряд способів зменшення кількості входів нейронної мережі:
1) застосування геометричних параметрів ІФХ (як F0, Fm, Fs і т. п.), що є поши-
реним підходом при роботі з кривими ІФХ; 2) вибір значень ІФХ за нелінійною
шкалою; 3) використання коефіцієнтів апроксимуючих поліномів; 4) застосу-
вання методу головних компонент.
Вищезгадані методи мінімізації даних досліджено на задачі класифікації рі-
зних видів рослин. Зібрано набір кривих для 6 видів рослин: сої, лободи, фікуса
еластіка, молочая ребристого, фікуса Бенджаміна, цинії. Проводилося вимірю-
вання кривих 5 хв та 10 с. ІФХ рослин вимірювались у тіні, темнова адаптація
становила 5 хв. В результаті зібрано 176 кривих. Для класифікації використову-
валася мережа з прямим поширенням сигналів. Нейронна мережа містить 89
входів, прихований шар – 25 нейронів, вихідний шар – 6 нейронів. В прихова-
ному шарі використовується сигмоїдна функція активації, а на вихідному – нор-
малізована експоненційна функція (softmax function). В роботі [6] показано, що
криві розроблених сенсорів ІФХ можна використовувати для таксономічного
розрізнення рослин, 5-хвилинні криві дещо краще підходять для даної задачі. В
даній статті пропонується дослідити можливість мінімізації входів нейронної
мережі.
Степенева шкала. Оскільки зміна ІФХ за часом нелінійна, значення ІФХ у
приладах сімейства «Флоратест» вимірюються за нелінійною степеневою шка-
лою. Таким чином криві ІФХ у розроблених сенсорах дискретизовано з викори-
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Комп’ютерні засоби, мережі та системи. 2017, № 16 81
станням 90 точок. Для того, щоб визначити моменти вимірювання, в які прилад
повинен виміряти значення ІФХ, спочатку реальну тривалість вимірювання пе-
реводять у нелінійне значення за наступними формулами:
8/1t=τ , (10)
де t – реальний час в мс; τ – нелінійний «час».
Моменти відліку інтенсивності флуоресценції хлорофілу в такому неліній-
ному часі беруться так:
;11 =τ ττ ∆+=12 ; ττ ∆+= *212 ;…; )1(*1 −∆+= ii ττ , (11)
N
N )1( −
=∆
ττ , (12)
де N – кількість необхідних відліків.
Відповідні моменти справжнього часу для розрахованих відліків визначають
за формулою
8
iit τ= . (13)
Маючи виміряні значення для 89 точок (перше значення вимірювання ІФХ
було вирішено відкинути), використовуючи формули 10 – 13 та інтерполяцію
можна представити криві меншою кількістю значень від 2 до 88. Результати тес-
тування нейронної мережі в залежності від кількості взятих значень ІФХ пока-
зано на рис. 2.
РИС. 2. Частка хибних розпізнавань у залежності від кількості точок на кривій ІФХ, взятих за
степеневою шкалою
Таким чином, за усередненими значеннями очевидно, що для отримання
якості розпізнавання більше 90 % для 5-хвилинної кривої ІФХ достатньо 9 то-
чок, водночас як 10-секундна крива для задачі розпізнавання виду рослин потре-
бує більше 30 точок.
Використання коефіцієнтів апроксимуючого полінома. Криву ІФХ мож-
на замінити поліномом певного степеня вигляду:
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2017, № 16 82
n
ntktktkktQ ++++= ...)( 2
320 ,
де ik – коефіцієнти полінома, ni ..1= , n – степінь полінома, T – час вимірюван-
ня значення ІФХ.
Коефіцієнти полінома будуть індивідуальні для кожної виміряної кривої ІФХ.
Підбір коефіцієнтів полінома здійснюється методом найменших квадратів. Бі-
льшість сучасних програмних пакетів для математичних обчислень дозволяють
швидко обчислити коефіцієнти полінома до дев'ятого степеня.
На рис. 3, a показано залежність коефіцієнта детермітації від степеня полі-
нома, що були отримані з використанням однієї з кривих вибірки. Як видно з
рисунка, 10-секундні криві ІФХ апроксимовано поліномом 9 степеня з коефіціє-
нтом детермінації 0,9. 5-хвилинні криві апроксимуються гірше. Покращити ап-
роксимацію 5-хвилинних кривих можна за допомогою кускової апроксимації,
використавши декілька поліномів, проте це збільшить кількість коефіцієнтів, що
подаватимуться на вхід нейронної мережі. Ще одним виходом є замінити часові
значення порядковими значеннями відліків Ζ∈x , 89..1=x в нелінійній шкалі:
n
n xkxkxkkхQ ++++= ...)( 2
320 .
В такому разі апроксимація проходить значно краще (рис. 3, б).
а б
РИС. 3. Залежність коефіцієнта детермінації від степеня полінома: а – з використанням реа-
льного часу; б – з використанням порядкових номерів дискретних значень ІФХ в не-
лінійній шкалі
Метод головних компонент – один з найбільш застосовуваних методів
зменшення розмірності даних в машинному навчанні, дозволяє здійснити міні-
мізацію даних шляхом переходу до нових змінних головних компонент, PC
(principal components) таких, що будуть враховувати мінливість даних (диспер-
сію). В результаті вимірювання ІФХ, що складається з 89 дискретних значень,
можна замінити меншою кількість головних компонент. На рис. 4 показано ви-
міряні дані за трьома головними компонентами. Очевидно, що дані добре гру-
пуються уже при використанні трьох компонент.
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Комп’ютерні засоби, мережі та системи. 2017, № 16 83
РИС. 4. Результат візуалізації за трьома головними компонентами виміряних даних ІФХ 6-ти
видів рослин
На рис. 5 показано результат тестування нейронної мережі за різною кількі-
стю взятих компонент. Очевидно, що найкращі результати отримуються при по-
дачі на вхід нейронної мережі від 7 до 12 компонент.
РИС. 5. Залежність середньоквадратичної похибки розпізнавання від кількості взятих компо-
нент (для 5-хвилинних кривих)
В табл. 2 наведено результати тестування розглянутих способів мінімізації в
результаті 100 повторних тестувань, де Pmin- мінімальна середньоквадратична
похибка, Pmean – усереднена середньоквадратична похибка, Pmax – максималь-
на середньоквадратична похибка, Cmin – мінімальна частка кількості помилко-
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2017, № 16 84
вих розпізнавань, Cmean – середня частка кількості помилкових розпізнавань,
Cmax – максимальна частка кількості помилкових розпізнавань.
Найкращий результат демонструє нейронна мережа, вхідним вектором якої
є 89 нормалізованих значень ІФХ. Метод головних компонент забезпечує най-
кращу мінімізацію даних, дещо гірший результат дає подальше взяття значень
на кривій за нелінійною шкалою та використанні 13 розрахованих параметрів
ІФХ. Щоправда, при усіх трьох способах відбулась невелика втрата середньої
точності розпізнавання (2 – 3 %). Використання коефіцієнтів полінома у вхідно-
му векторі нейронної мережі значно погіршує результат.
ТАБЛИЦЯ 2. Результати мінімізації для класифікації рослин
Складові вхідного
вектора
Pmin Pmean Pmax Cmin Cmean Cmax
F1,…,F89 ненормалі-
зовані значення
2,35e-15 0,0275 0,1552 0 0,0633 0,6364
F1,…,F89, нормалізо-
вані значення
7,54e-16 0,0103 0,0943 0 0,0273 0,8636
Fo, Fj, Fi, Fm, Fs 9,24e-09 0,047 0,2803 0 0,1303 0,8636
Fo, Fj, Fi, Fm, Fs, Fv,
k1, k2, Rfd, Area, Vj,
Vi, Vs
2,77e-07 0,0276 0,1219 0 0,0597 0,3523
PC1,…,PC7 6,38e-18 0,0147 0,1741 0 0,0533 0,6818
F1,…,F10 значення
ІФХ отримані за сте-
пеневою шкалою
1,01e-06 0,0254 0,1844 0 0,0691 0,8636
ki(i=1,…,10) поліно-
ма P(x)
8,42e-06 0,0406 0,211 0 0,1299 0,9205
ki(i=1,…,10) поліно-
ма P(t)
0,01 0,0886 0,2532 0,0568 0,283 0,9205
Визначення водного дефіциту шляхом апроксимації даних нейронною
мережею. З метою вивчення зміни параметрів ІФХ при водному дефіциті вико-
ристано рослини Цинії, які були поділені на три варіанти: з надмірним поливом,
з помірним поливом та відсутністю поливу. Протягом двох тижнів реєстрували-
ся зміни ІФХ у дослідних рослин. Зібрані дані включають криві ІФХ (F), воло-
гість ґрунту (Hgr), кислотність ґрунту, температуру ґрунту та температуру пові-
тря (Tair). Оскільки кислотність ґрунту корелює з вологістю ґрунту, а темпера-
тура ґрунту з вологістю повітря, дані параметри не враховувалися у моделі ней-
НОРМАЛІЗАЦІЯ ТА ЗМЕНШЕННЯ РОЗМІРНОСТІ ДАНИХ ХЛОРОФІЛ-ФЛУОРОМЕТРІВ
Комп’ютерні засоби, мережі та системи. 2017, № 16 85
ронної мережі. Також з віком рослини ІФХ теж може мінятися, тож у вхідний
вектор також включено порядковий номер дня експерименту (D). Усі значення
нормувались. Для кривих ІФХ використовувалась формула 4, а Tair та D норму-
вались шляхом ділення на максимальне значення. Таким чином нейронна мере-
жа здійснила апроксимацію такого вигляду:
HgrDTairF =ϕ ),,( .
Для цих цілей використано трьохшарову нейронну мережу з прямим поши-
ренням сигналів з 40 входами на які подавались значення ІФХ (обчислені з по-
чатково виміряних кривих за степеневою шкалою, з використанням інтерполя-
ції), з сигмоїдною функцією активації у двох прихованих шарах (25 та 8 нейро-
нів) та лінійною функцією активації на вихідному шарі (1 нейрон). Початково
від даних випадковим чином було виділено 75 (із 335 всього) кривих ІФХ для
тестування. Решта даних застосовувалися при навчанні із застосуванням
п’ятикратної крос-валідації. Найкращий досягнений коефіцієнт кореляції R ста-
новив 0,78. Один з результатів навчання показано на рис. 6.
РИС. 6. Результати апроксимації нейронною мережею
Оскільки в даних наявна значна варіація, особливо у рослинних об’єктів з
помірною вологістю, нейронна мережа найкраще здійснює апроксимацію даних,
які відповідають крайнім значенням вологості ґрунту. Криві ІФХ, виміряні з
проміжними значеннями вологості апроксимуються гірше, що можна пояснити
тим, що вологість різних листів рослини знижувалась по різному. Крім того,
Цинія є посухостійкою рослиною, що також могло відбитися на результатах об-
робки експериментальних даних та присутні похибки вимірювання вологості
ґрунту. Більш кращі результати навчання нейронних мереж досягаються на ос-
нові безпосередньо вимірювання відносного вмісту води у листі, як це показано
у [7], проте це потребує додаткових засобів та процедур і не усуває неоднорід-
ності вологи у різних листах на рослині. Очевидно, що необхідно здійснювати
вимірювання кількох кривих ІФХ, після чого доцільно приймати рішення так
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2017, № 16 86
званим «методом голосування», наприклад, коли результат умови Hgr < 0,5
справджується для більшості апроксимованих значень.
Тестування нейронної мережі при різній кількості взятих головних компо-
нент показало, що найменша середньоквадратична похибка досягається при
включенні у вхідний вектор 24 – 29 головних компонент.
Висновки. При попередній обробці даних ІФХ найкращі результати демон-
струє нормалізація шляхом z-оцінки та мінімаксна нормалізація. Найкращий ре-
зультат при зменшенні розмірності експериментальних даних демонструє метод
головних компонент, дещо гірші результати отримані при застосуванні степене-
вої шкали та використання параметрів ІФХ. Проте усі три згадані способи де-
монструють незначне зниження середньої точності розпізнавання на 2 – 3 %.
НМ демонструє кращі результати апроксимації значень вологості ґрунту на ос-
нові ІФХ, які відповідають крайнім значенням вологості.
1. Palagin O., Romanov V., Galelyuka I., Hrusha V., Voronenko O. Wireless smart biosensor for
sensor networks in ecological monitoring. Proceedings of the 9th IEEE International Confe-
rence on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Ap-
plications 21–23 September, 2017. Bucharest, Romania.
2. Груша В.М. Обробка результатів експериментальних досліджень, проведених з викори-
станням портативного флуорометра "Флоратест". Комп’ютерні засоби, мережі та сис-
теми. 2015. № 14. С. 109 – 116.
3. Kalaji H.M., Schansker G., Brestic M. at al. Frequently asked question about chlorophyll
fluorescence, the sequel. Photosynthesis Research. Vol. 132, Issue 1, Springer, 2017. P. 13 – 66.
4. Strasser R.J., Srivastava A., Tsimilli-Michael M. Analysis of the chlorophyll a fluorescence
transient ,in: G. Papageorgiou, Govindjee (Eds.), Chlorophyll a Fluorescence: A Signature of
Photosynthesis, Advances in Photosynthesis and Respiration, Vol. 19, Kluwer Academic
Publishers. 2004. P. 321–362.
5. Xanthoula Eirini Pantazi, Dimitrios Moshou, Dimitrios Kasampalis and Pavlos Tsouvaltzis.
Automatic Accessment of Phenotypes in lettuce plants by using Chlorophyll Fluorescence
Kinetics and Machine Learning. Proceedings International Conference of Agricultural
Engineering. AgEng 2014 Zurich 6-10.07.2014. P. 167–176.
6. Palagin O., Grusha V., Antonova H., Kovyrova O., Lavrentyev V. Application of biosensors
for plants monitoring. International Journal "Information theories & applications". Vol. 24,
N 2. 2017. P. 115–126.
7. Goltsev V. et al. Drought-induced modification of photosynthetic electron transport in intact
leaves: Analysis and use of neural network as a tool for a rapid non-invasive estimation.
Biochimica et Biophysica Acta 1817. 2012. P. 1490–1498.
Одержано 25.10.2017
|