Rezumat teza Alin Tisan - Facultatea de Electronica ...

Rezumat pag. 31
Reţelele neuronale rezultate în urma aplicării celor 4 seturi de vectori de antrenare au fost simulate şi
după implementarea lor pe un număr de biţi prestabilit. În acest sens am simulat şi calculat gradul de
recunoaştere a tiparelor prezentate pentru următoarele configuraţii de implementare: (1,32,16), (1,16,8),
(1,10,5), (1,8,4). Rezultatele implementărilor şi a simulărilor sunt prezentate în figura 9.36.
FF‐BF_7_21_4
În scopul caracterizării aportului fiecărei trăsături la gradul de recunoaştere a reţelei neuronale am
dezvoltat 8 seturi de date de antrenare. Aceste date de antrenare sunt caracterizate de către o singură
trăsătură: set-i1: A1, set-i2: A2, set-i3: A3, set-i4: A4, set-i5: A5, set-i6: A6, set-i7: A7, set-i8: A8;
In tabelul 9.2 sunt prezentate gradul de recunoaştere a reţelei cu arhitectura FF-BF_7_21_4 atunci când
este antrenată cu setul de date set-i1, set-i2, set-i3, set-i4, set-i5, set-i6, set-i7 şi set-i8.
Tabelul 9.2. Gradul de recunoaştere al reţelei FF-BF_7_21_4 pentru diferite seturi de trăsături
Grad de
Recunoaştere
(%)
set-i1 set-i2 set-i3 set-i4 set-i5 set-i6 set-i7 set-i8
87,20 90,31 75,19 78,68 74,03 52,32 36,82 41,08
Pentru evidenţierea relaţiei dintre numărul de biţi pe care este implementată reţeaua FF-BF-7_21_4 şi
gradul de recunoaştere a tiparelor prezentate am simulat şi calculat gradul de recunoaştere a tiparelor
prezentate pentru următoarele configuraţii de implementare: (1,32,16); (1,16,8); (1,10,5); (1,8,4);
Gradul de recunoaştere a tiparelor prezentate funcţie de configuraţie de implementare este prezentată în
figura 9.13
Figura 9.13. Reprezentarea gradului de recunoaştere în funcţie de numărul de biţi pe care reţeaua este implementată
9.8 Concluzii şi contribuţii
In acest capitol am propus o arhitectură a unui sistem olfactiv artificial şi am realizat o aplicaţie ce se
referă la recunoaşterea tipului de cafea prezentată în camera de probă. Pentru această aplicaţie am folosit 4
tipuri de cafea măcinată existentă pe piaţă: Jacobs, Eduscho Aroma Clasic, Peru Coffee Vanilie şi Peru
Coffee Robusta.
În cadrul sistemului olfactiv artificial am folosit 6 senzori de gaz MOS cu sensibili la un spectru larg de
odoranţi (TGS826, TGS842, TGS2600, TGS2601, TGS2602, TGS2620), un senzor de temperatură (LM35)
şi unul de umiditate (SY- HS-230).
Achiziţia datelor a fost realizate prin intermediul plăcii de achiziţie PC-MIO-16E-1 şi a unui instrument
virtual pe care l-am realizat în Labview pentru preprocesarea semnalelor şi salvarea datelor în fişiere text de
tip *.lvm. Instrumentul virtual creat permite prin intermediul interfeţei cu utilizatorul setarea timpilor de
absorbţie, desorbţie (prin valoarea de prag) şi revenire la valoarea de referinţă şi a numărului de absorbţii
succesive realizate de la o singură probă. Modulele ce compun instrumentul virtual sunt: modulul de control
al subVI-urilor în funcţie de timpii setaţi de utilizator, modulul de control al achiziţiei, modulul de procesare
semnal, modulul de conversie in °C a datelor generate de senzorul de temperatură, modulul de conversie în
%RH a datelor generate de senzorul de umiditate.
În scopul extragerii trăsăturilor răspunsului senzorului la aplicarea odoranţilor, am realizat o serie de
funcţii de procesare a semnalului. Pe baza analizei modalităţilor de extragere a trăsăturilor ce caracterizează
răspunsul senzorilor la produsul volatil aplicat, pentru aplicaţia de recunoaştere a tipului de cafea prezentat
sistemului senzorial artificial, am optat pentru metoda de analiză euristică. În acest scop am selectat
următorii parametrii ce caracterizează funcţia de răspuns a senzorilor: valoarea medie, Med(y), (A1),
valoarea maximă, ymax, (A2) integrala funcţiei, Int(y), (A3); integrala funcţiei pe timpul absorbţiei, Intabs(y),
(A4); panta maximă a funcţiei la absorbţia compusului volatil, (dy/dx)max, (A5); panta maximă a funcţiei la
desorbţia compusului volatil, (dy/dx)max, (A6); timpul la care se atinge panta maximă a funcţiei la absorbţie,