Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров

Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров

Работа посвящена проблеме биосенсорного распознавания в пространстве физиологических (зрительных, слуховых, обонятельных и др.) признаков. Предложена методика комбинированного использования биосенсорных способностей живых существ, их ситуативной физиологической реакции на раздражители и обучения иск...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Штучний інтелект
Datum:2010
1. Verfasser: Алешин, С.П.
Format: Artikel
Sprache:Russian
Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2010
Schlagworte:
Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/58672
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:Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров / С.П. Алёшин // Штучний інтелект. — 2010. — № 4. — С. 644-650. — Бібліогр.: 10 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-58672
record_format dspace
spelling Алешин, С.П.
2014-03-29T12:50:04Z
2014-03-29T12:50:04Z
2010
Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров / С.П. Алёшин // Штучний інтелект. — 2010. — № 4. — С. 644-650. — Бібліогр.: 10 назв. — рос.
1561-5359
https://nasplib.isofts.kiev.ua/handle/123456789/58672
57.007; 004.8.032.26
Работа посвящена проблеме биосенсорного распознавания в пространстве физиологических (зрительных, слуховых, обонятельных и др.) признаков. Предложена методика комбинированного использования биосенсорных способностей живых существ, их ситуативной физиологической реакции на раздражители и обучения искусственных нейронных сетей для распознавания классов. В основе подхода лежит идея совместного обучения живых существ и искусственных нейронных сетей. Это позволяет трансформировать сложные рецепторные признаки биодетекторов в пространство простых поведенческих реакций. Приведен алгоритм построения моделей распознавания объектов в нейронной среде эмуляторов формата Statistika Neural Network.
Робота присвячена проблемі біосенсорного розпізнавання в просторі фізіологічних (зорових, слухових, нюхових та ін.) ознак. Запропоновано методику комбінованого використання біосенсорних здібностей живих істот, їх ситуативної фізіологічної реакції на подразники і навчання штучних нейронних мереж для розпізнавання класів. В основі підходу лежить ідея спільного навчання живих істот і штучних нейронних мереж. Це дозволяє трансформувати складні рецепторні ознаки біодетекторів в простір простих поведінкових реакцій. Наведено алгоритм побудови моделей розпізнавання об’єктів у нейронному середовищі емуляторів формату Statistika Neural Network.
The work is devoted to the biosensor recognition in the space of physiological (visual, auditory, olfactory, etc.) signs. The technique of the combined use of biosensing capabilities of living creatures, their situational physiological reactions and the training of artificial neural networks for recognition of classes is proposed. The approach is based on coeducation of living beings and artificial neural networks. This allows to transform the receptor complex of biodetectors signs in the space of simple behaviors. An algorithm for constructing models of object recognition in a neural environment emulators of Statistika Neural Network is formed.
ru
Інститут проблем штучного інтелекту МОН України та НАН України
Штучний інтелект
Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
Нейромережне розпізнавання класів у просторі фізіологічних ознак біосенсорів
Neural Network Pattern Recognition of Classes in the Space of Biosensors Physiological Characteristics
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
spellingShingle Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
Алешин, С.П.
Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
title_short Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
title_full Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
title_fullStr Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
title_full_unstemmed Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
title_sort нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров
author Алешин, С.П.
author_facet Алешин, С.П.
topic Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
topic_facet Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
publishDate 2010
language Russian
container_title Штучний інтелект
publisher Інститут проблем штучного інтелекту МОН України та НАН України
format Article
title_alt Нейромережне розпізнавання класів у просторі фізіологічних ознак біосенсорів
Neural Network Pattern Recognition of Classes in the Space of Biosensors Physiological Characteristics
description Работа посвящена проблеме биосенсорного распознавания в пространстве физиологических (зрительных, слуховых, обонятельных и др.) признаков. Предложена методика комбинированного использования биосенсорных способностей живых существ, их ситуативной физиологической реакции на раздражители и обучения искусственных нейронных сетей для распознавания классов. В основе подхода лежит идея совместного обучения живых существ и искусственных нейронных сетей. Это позволяет трансформировать сложные рецепторные признаки биодетекторов в пространство простых поведенческих реакций. Приведен алгоритм построения моделей распознавания объектов в нейронной среде эмуляторов формата Statistika Neural Network. Робота присвячена проблемі біосенсорного розпізнавання в просторі фізіологічних (зорових, слухових, нюхових та ін.) ознак. Запропоновано методику комбінованого використання біосенсорних здібностей живих істот, їх ситуативної фізіологічної реакції на подразники і навчання штучних нейронних мереж для розпізнавання класів. В основі підходу лежить ідея спільного навчання живих істот і штучних нейронних мереж. Це дозволяє трансформувати складні рецепторні ознаки біодетекторів в простір простих поведінкових реакцій. Наведено алгоритм побудови моделей розпізнавання об’єктів у нейронному середовищі емуляторів формату Statistika Neural Network. The work is devoted to the biosensor recognition in the space of physiological (visual, auditory, olfactory, etc.) signs. The technique of the combined use of biosensing capabilities of living creatures, their situational physiological reactions and the training of artificial neural networks for recognition of classes is proposed. The approach is based on coeducation of living beings and artificial neural networks. This allows to transform the receptor complex of biodetectors signs in the space of simple behaviors. An algorithm for constructing models of object recognition in a neural environment emulators of Statistika Neural Network is formed.
issn 1561-5359
url https://nasplib.isofts.kiev.ua/handle/123456789/58672
citation_txt Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров / С.П. Алёшин // Штучний інтелект. — 2010. — № 4. — С. 644-650. — Бібліогр.: 10 назв. — рос.
work_keys_str_mv AT alešinsp neirosetevoeraspoznavanieklassovvprostranstvefiziologičeskihpriznakovbiosensorov
AT alešinsp neiromerežnerozpíznavannâklasívuprostorífízíologíčnihoznakbíosensorív
AT alešinsp neuralnetworkpatternrecognitionofclassesinthespaceofbiosensorsphysiologicalcharacteristics
first_indexed 2025-11-25T22:19:15Z
last_indexed 2025-11-25T22:19:15Z
_version_ 1850562313336127488
fulltext «Штучний інтелект» 4’2010 644 8А УДК 57.007; 004.8.032.26 С.П. Алёшин Полтавский национальный технический университет имени Ю. Кондратюка, г. Полтава, Украина aleshsp@ukr.net Нейросетевое распознавание классов в пространстве физиологических признаков биосенсоров Работа посвящена проблеме биосенсорного распознавания в пространстве физиологических (зрительных, слуховых, обонятельных и др.) признаков. Предложена методика комбинированного использования биосенсорных способностей живых существ, их ситуативной физиологической реакции на раздражители и обучения искусственных нейронных сетей для распознавания классов. В основе подхода лежит идея совместного обучения живых существ и искусственных нейронных сетей. Это позволяет трансформировать сложные рецепторные признаки биодетекторов в пространство простых поведенческих реакций. Приведен алгоритм построения моделей распознавания объектов в нейронной среде эмуляторов формата Statistika Neural Network. Введение Природа наделила некоторые живые существа уникальными способностями, ко- торых нет у человека, но которые хотелось бы человеку иметь. Например, обоняние собаки превосходит человека по чувствительности на семь порядков. Так, обученная собака улавливает запах объекта, если тот создает концентрацию порядка 700 молекул на один кубический сантиметр. Человек же реагирует на концентрацию не ниже 7 000 000 000 молекул на кубический сантиметр [1]. Речной рак очень чувствителен к уровню загрязненности воды и реагирует на это степенью собственной тахикардии [2]. Летучая мышь в абсолютной темноте летает и не сталкивается с препятствиями. Анчоус мигрирует в Мировом океане на тысячи километров, но всегда безошибочно возвра- щается на нерест в один и тот же район. Подобные примеры можно продолжить. Иногда возникает практическая необходимость использовать некоторые из этих способностей для решения важных задач. Хотя сегодня и существуют технические средства, способные классифицировать запахи [3], [4], видеть в темноте, определять за- грязненность воды, тем не менее, например, служебные собаки используются для распо- знавания по запаху различных опасных объектов [5]. Ведь стоимость такого устройства, как «Электронный нос» [4], значительно больше, чем стоимость содержания и обучения служебной собаки. Поэтому превзойти некоторые полезные способности живых существ малыми финансовыми или материальными затратами не всегда удается. Часто значи- тельно дешевле использовать живые существа как биодатчики (БД) (или биосенсоры, био- детекторы), а по их поведению или физиологическим признакам принимать соответст- вующие решения. При этом возникает проблема автоматической трансформации признакового пространства БД в пространство признаков принятия решения человеком или машиной. Ведь нам неизвестен словарь признаков и механизм принятия решения БД, например, речного рака, когда он классифицирует загрязненность воды. Однако очевидна связь ка- чества воды и физиологической реакции рака (например, в виде тахикардии, что фикси- Нейросетевое распознавание классов в пространстве... «Штучний інтелект» 4’2010 645 8А руется на осциллограмме). Следовательно, повторяя опыт в различных средах, можно получить обучающую выборку для искусственной нейронной сети. Аналогично можно поступать при подготовке служебных собак, обучая их определенному поведению, одно- временно отслеживая их реакцию, например, при помощи видеокамеры или иным спо- собом [5]. И в этом случае есть возможность сформировать обучающую выборку данных для нейросети. Можно показать и ряд других похожих по сути примеров, которые ото- бражают однотипные процедуры: – рецепторное восприятие биосенсорами некоторого объекта за счет своих природных способностей; – отображение этого восприятия на уровне некоторого рефлексивного образа; – трансформация рефлексивного образа в набор физиологических или поведен- ческих признаков; – многократное повторение первых трех процессов с целью нахождения устой- чивых и похожих реакций. Для построения автоматической системы принятия решений остается обучить искусственную нейронную сеть выбрать некоторое решающее правило и обеспечить требуемую надежность и точность принимаемых решений. Целью данной работы является построение нейросетевой модели классификации объектов или их состояний по данным биосенсоров в пространстве вторичных (физио- логических) признаков, инвариантной к физическим особенностям первичного (рецептор- ного) восприятия. В качестве инструмента моделирования выбран нейроэмулятор среды StatSoft в формате модуля Statistika Neural Network. Постановка задачи и методы исследования. Пусть имеется некоторый объект, который воспринимается биосенсором в пространстве первичных признаков (рефлексов) и отображается в пространстве вторичных (физиологических) признаков. Биосенсор спо- собен многократно повторять процессы восприятия и отображения одного пространства признаков в другое. Необходимо автоматизировать процедуру принятия решения о при- надлежности исследуемого объекта к тому или иному классу с помощью обучаемой ней- ронной сети, путем построения модели СППР. При этом ошибки первого и второго рода (пропуск объекта и ложная тревога) должны быть не выше заданных. Формализация процедуры распознавания классов С точки зрения формализации процесса распознавания объекта необходимо обеспе- чить отображение входного вектора данных сети на результат принятого решения с требуемой точностью, аппроксимирующее зависимость «рефлексы – поведение – вывод». В общем случае физиологические признаки и число классов объектов являются вектор- ными величинами и связаны некоторой зависимостью: |||| mk хFy = , (1) где у – номер класса объекта; х – значение текущего признака; k – число классов; m – число признаков; F – функционал преобразования пространства рецепторных при- знаков в пространство рефлексов (физиологических, поведенческих признаков) и в пространство решений (состояний). При таком подходе, принятых допущениях и условиях поиск отображения вида F: km YXYX ℜ⊂ℜ⊂→ ,, в нейросетевом формате сводится к модификации синаптического пространства нейро- Алёшин С.П. «Искусственный интеллект» 4’2010 646 8А сети путем реализации итерационной процедуры в форме [7]: )()1()( )()( twtwtw n hqq n hq ∆+−= , (2) где ( )( 1) ( ) ( )q q q E kw t w t w t α ∂ − = + × ∂ ; w – массив синаптических коэффициентов; q – номер выхода нейрона в n-м слое; h – номер входа нейрона в n-м слое; n – номер слоя сети. Для того чтобы допустимые ошибки были не выше заданных, воспользуемся пра- вилом Байеса [6]. Будем считать, что алфавит классов описан, для каждого объекта jb поставлено в соответствие множество признаков { }jix и объект полностью ими опре- делен. Анализ описания состояния объекта дает текущую информацию, на основании которой определяется апостериорная информация. Характер текущей и апостериорной информации определяется тем, какое решающее правило реализовано в классификаторе. Так как конечная цель заключается в построении модели с заданными точностными характеристиками, то целесообразно применить статистическое правило проверки гипо- тез для количественной оценки точности и реализовать его при построении нейросете- вой модели. Воспользуемся правилом проверки гипотез для вычисления апостериорных вероятностей правильных решений [6], чтобы количественно измерить и обеспечить допустимые ошибки, что требуется по условию задачи: Mi AxPAP AxPAP xAPh M i iji iji jiij ,....,2,1, )\()( )\()( )\( 1 === ∑ = , (3) где iA – класс объекта исследования, i – 1, 2,…, М ( iA – класс исследуемого объекта описан соответствующим набором признаков { }ix ); jx – набор информативных признаков объекта исследования, j - 1, 2,…, N; { } jix – описание алфавита классов (для каждого объекта jb поставлено в со- ответствие множество признаков { } jix и объект полностью ими определен); )\()( 1 ij M i i AxPAP∑ = – обобщенное распределение вероятностей значений призна- ков классов (состояний) исследуемого объекта. Общую ошибку принятия решения о принадлежности класса определим по про- стому соотношению ijij h−= 1λ , (4) где ijλ – вероятность возникновения ошибки как решения отнесения j -го состояния объекта к i -му классу, i= 1, 2, …., М. При определении ошибки классификации адекватного поведения биосенсора, результатом ошибочного решения считается событие, когда объект, принадлежащий к i -му классу, классифицируется как объект k -го класса. В нашем случае могут иметь место ошибки пропуска цели и ложной тревоги [6], что формально можно выразить в предельном случае суммарной вероятностью ошибок U ош. общая = U{Р (1, 0) + Р (0, 1)}, (5) где Р (1, 0), Р (0, 1) – совместные вероятности ошибок (перепутывание классов) класса ситуации (есть или нет искомый объект) и апостериорных вероятностей гипотез принад- Нейросетевое распознавание классов в пространстве... «Штучний інтелект» 4’2010 647 8А лежности ситуации к данному классу. Таким образом, обеспечение точности решения сво- дится к нахождению процедуры обеспечения заданного порогового значения U{Р (1, 0) + + Р (0, 1)}. Так как законы распределения признаков и классов априори не известны, то целесообразно воспользоваться нейросетевыми методами классификации, которые ин- вариантны этим распределениям. Обоснование надежности нейросетевой классификации Если проанализировать процессы модификации синаптического пространства ней- росети согласно правилу (2) и поиск вероятностей гипотез принадлежности классов (3), то можно увидеть существенную внутреннюю общность процедур принятия решений по статистическому правилу перебора гипотез и модификации синаптического простран- ства искусственной нейронной сети. Действительно, функция правдоподобия )\( ij AxP из выражения (3) представляет собой математический механизм сопоставления текущего набора признаков ( jx ) с одним ( i -м) состоянием объекта исследования. В нейронной сети одна эпоха обучения характеризуется подачей на вход сети всего набора признаков и заканчивается изменением и фиксацией всего имеющегося массива синаптических коэффициентов. Процедура обучения нейронной сети базируется на переборе всевоз- можных вариантов сочетаний весов синапсов, например, по алгоритму обратного рас- пространения ошибки [7] в виде правила (3). А правило Байеса базируется на переборе всех гипотез принадлежности входных выборок разным классам. Ассоциативная память нейросети с каждой последующей эпохой отображает интегративное воздействие всей совокупности входных выборок [8]. В то же время в формуле (3) аналог ассоциативной памяти представляет обобщенное распределение вероятностей значений признаков при- надлежности классам исследуемого объекта в виде )\()( 1 ij M i i AxPAP∑ = . Другими словами, разовая модификация всех синапсов (одна эпоха обучения) в скрытых слоях сети под воздействием полной выборки в одном такте является своеобразной формой сопоставле- ния текущего набора признаков (обучающей выборки) с некоторым состоянием весовых коэффициентов нейросети. Следовательно, логично предположить, что это своеобраз- ный аналог функции правдоподобия )\( ij AxP в нейросетевом формате. При этом для всех вариантов сопоставления наборов признаков возможным классам рассчитывается свое значение апостериорной вероятности. В нейронной сети также наблюдается про- цедура перебора всего множества реализаций признаков и сравнения их влияния на обо- бщенную целевую функцию путем фиксации ошибки обучения на контрольном и тесто- вом множествах. На следующем этапе принятия решения по статистическому правилу (3) из всего массива найденных апостериорных вероятностей выбирается максимальное значение, которое подставляется в (4), минимизируя результирующую ошибку. Нейронная сеть в процессе обучения также отыскивает лучшее решение из всех возможных и работает по схожей аналогии со статистическим решающим правилом. Отличие состоит лишь в том, что если статистический алгоритм предполагает поиск максимума апостериорной вероятности в виде (3), то нейронная сеть в процессе обучения с учителем отыскивает минимум ошибки целевой функции в некотором метрическом формате, например, ква- дратичной формы вида 2 1 )()( k P k k ydwE −= ∑ = , Алёшин С.П. «Искусственный интеллект» 4’2010 648 8А где P – размерность вектора входных параметров; kd – эталонный (желаемый) выход сети для k-го параметра; ky – реальный выход сети для k-го параметра. С учетом выра- жения (4), есть все основания говорить об адекватности этих процедур поиска опти- мального решения. Следует также отметить, что важным условием общности статистического и ней- росетевого подходов в оптимизации надежности принимаемых решений является то, что в том и другом случае необходимые данные для принятия решения извлекаются из множества прецедентов определенной размерности. Это позволяет сформировать доста- точную статистику для статистического критерия или репрезентативную обучающую выборку для модификации синаптического пространства нейронной сети, что позволяет опираться на единую базу извлечения знаний – массив прецедентов. Проведенный анализ позволяет увидеть общность и единую логику минимизации ошибок с использованием статистического правила проверки гипотез принадлежности признаков классам и на основе обучения нейронной сети в пространстве синаптических весовых коэффициен- тов. Это позволяет сделать вывод о надежности решений на основе нейросетевых алго- ритмов, которые в силу отмеченных особенностей не уступают традиционным методам математической статистики. Нейросетевая модель распознавания в среде StatSoft Построим нейросетевую модель, которая по входному вектору заданной размер- ности определяла бы класс, к которому принадлежит исследуемый образ и давала бы оценку вероятности принятого решения. Другими словами, необходимо реализовать процедуру отнесения каждого предъявленного сети множества из словаря признаков (Var 1 – Var K) определенному классу из алфавита. Решим эту задачу в нейросреде StatSoft с помощью модуля Neural Networks [9]. Вызываем стартовую панель этого модуля командой Statistics из основного меню и во вкладке Quick данного диалогового окна в разделе Problem type выбираем задачу Classification. Командой Variables вызываем диалоговое окно Select input, output и записываем все переменные по списку (Var 1 – Var K). В рассматриваемой предметной области это множество примеров реакции живых существ на состояние исследуемого объекта. В разделе Selekt analysis выбираем опцию Intelliqent Problem Solver, а в окне настройки этой процедуры на вкладке Quick в разделе Networks tested укажем количество тестируемых сетей. В диа- логовом окне IPS Traininq In Proqress по информации о времени исполнения алгоритма, значениям ошибок на обучающем, контрольном и тестовом множествах, путем срав- нения их между собой, выберем сеть, анализируя строки информационного поля диа- логового окна. В разделе Profile фиксируем топологию сети, предложенную встроенным конструктором сетей, а окна информационной панели отображают параметры произво- дительности сети. Под производительностью в нашей задаче классификации следует по- нимать долю правильно классифицируемых наблюдений по отношению к общему числу наблюдений, что при достаточном объеме выборки приближает частоты наблюдений к вероятностям. В задачах классификации и предсказания нейроэмулятор Statistika Neural Network определяет вероятность принадлежности предъявленного образа к каждому из классов. Для практического применения часто используются значения производитель- ности в диапазоне (0,9 – 0,97), что в данном контексте адекватно вероятности пра- вильного решения. Таким образом, сеть не только решает задачу распознавания классов, определяя номер класса, но и сопровождает каждое решение значением вероятности правильного Нейросетевое распознавание классов в пространстве... «Штучний інтелект» 4’2010 649 8А решения и вероятностями ошибочного решения на обучающем, контрольном и тесто- вом множествах примеров. Следовательно, обучение сети можно интерпретировать как оценки вероятности того, что объект принадлежит некоторому классу, что сеть факти- чески учится оценивать функцию плотности вероятности. При этом сеть по имеющимся данным самостоятельно назначает такие синаптические веса всем нейронам сети, при которых пространство признаков текущего состояния объекта совпадает с целевым или имеет допустимую по условию задачи ошибку несовпадения. В результате при ней- росетевом моделировании принятия решений в задачах распознавания можно оценить вероятности классификации для каждого класса и выбрать наиболее приемлемый. В качестве демонстрации нейросетевых моделей приведём примеры принятия решений в среде стандартных нейроэмуляторов [9], [10], где показана реализация таких базовых функций управления, как: – формирование обучающего множества признаков для двух классов и для двух уровней диагностики; – реализация процедуры диагностики на двух уровнях. Последовательное их применение позволило получить искомую нейросетевую модель диагностирования состояния объекта: (SNN – Kohonen 24:24 – 48:1) (SNN – MLP 24:24 – 56 – 1:1) (SNN – Kohonen 24:24 – 48:1) (SNN – MLP 60:60 – 27 – 1:1) Во втором примере поставлены и решены три задачи моделирования системо- образующих процессов в среде стандартных нейроэмуляторов Statistika Neural Network: а) сформировано обучающее множество признаков для четырех классов состояний объекта; б) реализована процедура диагностики его состояния по совокупности входных признаков; в) найдена функциональная зависимость между управляющими факторами и состояниями объекта. Последовательное применение этих процедур позволило получить искомую нейросетевую модель прогнозирования поведения: (SNN – Kohonen 24:24 – 48:1 ) (SNN – MLP 53:53 – 27 – 4:1) (SNN – RBF 28:28 – 56 – 4:1) Выводы 1. Нейросетевое распознавание классов в пространстве физиологических при- знаков биосенсоров в среде нейроэмуляторов Statsoft способно обеспечивать гаран- тированные оценки классов объектов с ошибками не ниже заданных. 2. Научная новизна предлагаемого решения состоит в: – обосновании применения нейронных сетей по новому назначению для автомати- ческого преобразования пространства рецепторных признаков биосенсоров в простран- ство физиологических или поведенческих признаков, на основе обучения искусственных нейронных сетей с надежностью решений на уровне традиционных статистических ре- шающих правил; – в расширении области применения статистических решающих правил на обу- чающие процедуры нейронных сетей путем обоснования их информативной адекват- ности, что позволяет количественно обосновать надежность решений, принимаемых на основе моделей в среде эмуляторов StatSoft модуля Statistika Neural Network. Алёшин С.П. «Искусственный интеллект» 4’2010 650 8А 3. Практическая значимость данного исследования заключается в продуктивном использовании уникальных природных данных биодетекторов для автоматизации некоторых процессов (таможенный контроль, экологический мониторинг воды и др.) без существенных финансовых затрат. Литература 1. Райт Р.Х. Наука о запахах / Райт Р.Х. ; пер. с англ. – М. : Мир, 1966. – 224 с. 2. Режим доступа : www.aquafilter.ru/ ; domfilter.ru/ ; best-water.ru/. 3. Ганшин В.М. Химический наносенсор на свободные высшие жирные кислоты с люминесцентным откликом / В.М. Ганшин, Э.П. Зинкевич // Сенсорные системы. – 2002. – Т. 16, № 14. – С. 336-342. 4. Долгополов Н.В. «Электронный нос» – новое направление индустрии безопасности / Н.В. Долго- полов // Мир и безопасность. – 2007. – № 4. – С. 54-59. 5. Гвахария О.Г. Криминалистическая одорология и теория информации / О.Г. Гвахария. // Крими- налистика и судебная экспертиза. – Киев : РИО МВД УССР, 1972. – Вып. 9. – С. 189-192. 6. Барабаш Ю.Л. Коллективные статистические решения при распознавании / Барабаш Ю.Л. – М. : Радио и связь, 1983. – 224 с. 7. Хайкин С. Нейронные сети : полный курс / Хайкин С. ; пер. с англ. – [2-е изд.]. – М. : Издатель- ский дом «Вильямс», 2006. – 1104 с. 8. Кохонен Т. Ассоциативная память / Кохонен Т. – Москва : Мир, 1980. – 240 с. 9. Ляхов А.Л. Техническая диагностика бортовых радиолокационных систем в среде Statistika Neural Network / А.Л. Ляхов, С.П. Алёшин // Радіоелектронні і комп’ютерні системи. – 2010. – № 7(48). – С. 195-199. 10. Ляхов А.Л. Интеллектуальный анализ данных в прикладных экономических задачах / А.Л. Ляхов, С.П. Алёшин // Науковий вісник Полтавського національного технічного університету. – 2009. – № 4(23). – С. 140-147. С.П. Альошин Нейромережне розпізнавання класів у просторі фізіологічних ознак біосенсорів Робота присвячена проблемі біосенсорного розпізнавання в просторі фізіологічних (зорових, слухових, нюхових та ін.) ознак. Запропоновано методику комбінованого використання біосенсорних здібностей живих істот, їх ситуативної фізіологічної реакції на подразники і навчання штучних нейронних мереж для розпізнавання класів. В основі підходу лежить ідея спільного навчання живих істот і штучних нейронних мереж. Це дозволяє трансформувати складні рецепторні ознаки біодетекторів в простір простих поведінкових реакцій. Наведено алгоритм побудови моделей розпізнавання об’єктів у нейронному середовищі емуляторів формату Statistika Neural Network. S.P. Aleshin Neural Network Pattern Recognition of Classes in the Space of Biosensors Physiological Characteristics The work is devoted to the biosensor recognition in the space of physiological (visual, auditory, olfactory, etc.) signs. The technique of the combined use of biosensing capabilities of living creatures, their situational physiological reactions and the training of artificial neural networks for recognition of classes is proposed. The approach is based on coeducation of living beings and artificial neural networks. This allows to transform the receptor complex of biodetectors signs in the space of simple behaviors. An algorithm for constructing models of object recognition in a neural environment emulators of Statistika Neural Network is formed. Статья поступила в редакцию 31.05.2010.

Ähnliche Einträge