Машинное обоняние

Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны ) Эта статья включает в себя список общих ссылок , но он остается в значительной степени непроверенным, поскольку в нем отсутствует достаточное количество соответствующих встроенных ссылок . Пожалуйста, помогите улучшить эту статью, добавив более точные цитаты. ( Январь 2019 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) ‹Приведенный ниже шаблон ( необходим эксперт ) рассматривается на предмет удаления. См. Шаблоны для обсуждения, чтобы помочь достичь консенсуса. › Эта статья требует внимания эксперта в области робототехники . См. Подробности на странице обсуждения . WikiProject Robotics может помочь нанять эксперта. ( Январь 2019 ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Машинное обоняние - это автоматизированная симуляция обоняния . Это новое приложение в современной инженерии, которое включает использование роботов или других автоматизированных систем для анализа переносимых по воздуху химических веществ. Такой аппарат часто называют электронным носом или электронным носом. Развитие машинного обоняния осложняется тем фактом, что электронные носы на сегодняшний день реагируют на ограниченное количество химикатов, тогда как запахи производятся уникальными наборами (потенциально многочисленных) одорантов. Технология, хотя все еще находится на ранних стадиях разработки, обещает множество приложений, таких как: ^[1] контроль качества в пищевой промышленности , обнаружение и диагностика.в медицине, ^[2] обнаружения наркотиков , взрывчатых веществ и других опасных или запрещенных веществ , ^[3] ликвидации последствий стихийных бедствий и экологического мониторинга .

Один из типов предлагаемых машинных технологий обоняния - это приборы с матрицами газовых датчиков, способные обнаруживать, идентифицировать и измерять летучие соединения. Тем не менее, одним из важнейших элементов в разработке этих инструментов является анализом картины , и удачный дизайн системы анализа шаблона для машинного обоняния требует тщательного рассмотрения различных вопросов , связанных с обработкой многомерных данных: сигнал-препроцессирования извлечения особенности , выбор функции , классификация , регрессия, кластеризация и проверка. ^[4]Еще одна проблема в текущих исследованиях обоняния машин - это необходимость предсказать или оценить реакцию сенсора на ароматические смеси. ^[5] Некоторые проблемы распознавания образов в машинном обонянии, такие как классификация запахов и их локализация, могут быть решены с помощью ядерных методов временных рядов. ^[6]

Обнаружение [ править ]

Существует три основных метода обнаружения с использованием датчиков запаха из проводящего полимера (полипиррол), датчиков газа на основе оксида олова и датчиков микробаланса на кристалле кварца. ^{[ необходима цитата ]} Они обычно включают (1) массив датчиков того или иного типа, (2) электронику для опроса этих датчиков и создания цифровых сигналов, и (3) программное обеспечение для обработки данных и пользовательского интерфейса.

Вся система представляет собой средство преобразования сложных откликов датчиков в качественный профиль летучих (или сложной смеси химических летучих веществ), составляющих запах, в виде выходных данных.

Обычные электронные носы не являются аналитическими инструментами в классическом смысле слова, и очень немногие заявляют, что могут количественно определять запах. Эти инструменты сначала «обучаются» целевому запаху, а затем используются для «распознавания» запахов, чтобы будущие образцы можно было идентифицировать как «хорошие» или «плохие».

Исследования альтернативных методов распознавания образов для массивов химических датчиков предложили решения, позволяющие различать искусственное и биологическое обоняние, связанное с размерностью. Этот биологически вдохновленный подход предполагает создание уникальных алгоритмов обработки информации. ^[7]

Электронные носы способны различать запахи и летучие вещества из широкого спектра источников. В приведенном ниже списке показаны лишь некоторые из типичных применений технологии электронного носа - многие из них подтверждены исследованиями и опубликованными техническими статьями.

Локализация запаха [ править ]

Локализация запаха - это комбинация количественного химического анализа запаха и алгоритмов поиска пути, а условия окружающей среды играют жизненно важную роль в качестве локализации. Разные методы исследуются для разных целей и в разных реальных условиях.

Мотивация [ править ]

Локализация запаха - это метод и процесс обнаружения летучего химического источника в среде, содержащей один или несколько запахов. Это жизненно важно для всех живых существ как для получения пропитания, так и для избежания опасности. В отличие от других основных органов чувств человека , обоняние полностью основано на химических веществах. Однако по сравнению с другими измерениями восприятия обнаружение запаха сталкивается с дополнительными проблемами из-за сложных динамических уравнений запаха и непредсказуемых внешних возмущений, таких как ветер.

Заявление [ править ]

Технология локализации запаха перспективна во многих приложениях, в том числе: ^{[8] [1]}

• контроль качества в пищевой промышленности (например, порча , бактериальная порча )
• определение источника опасных веществ (например, взрывчатых веществ и боевых отравляющих веществ)
• обнаружение подземных ресурсов или опасностей
• обнаружение запрещенных материалов (например, обнаружение наркотиков )
• поиск выживших после стихийных бедствий
• экологический мониторинг загрязняющих веществ
• ранняя диагностика заболеваний (например, при хронической обструктивной болезни легких ) ^[2]

История и постановка проблемы [ править ]

Самым ранним инструментом для обнаружения специфического запаха был механический нос, разработанный в 1961 году Робертом Уайтоном Монкриффом. Первый электронный нос был создан У. Ф. Уилкенсом и Дж. Д. Хартманом в 1964 году. ^[9] Ларком и Халсолл обсуждали использование роботов для определения запаха в ядерной промышленности в начале 1980-х годов ^[10], а исследования по локализации запаха были начаты в начало 1990-х гг. Локализация запахов - это сейчас быстрорастущая область. Были разработаны различные датчики и предложены различные алгоритмы для различных сред и условий.

Механическая локализация запаха может быть выполнена с помощью следующих трех шагов: (1) поиск наличия летучего химического вещества (2) поиск местоположения источника с помощью набора датчиков запаха и определенных алгоритмов и (3) идентификация отслеживаемых источник запаха (распознавание запаха).

Методы локализации [ править ]

Методы локализации запаха часто классифицируются в соответствии с режимами распространения запаха в различных условиях окружающей среды. Эти режимы обычно можно разделить на две категории: поток жидкости с преобладанием диффузии и поток жидкости с преобладанием турбулентности. У них разные алгоритмы локализации запаха, обсуждаемые ниже.

Поток жидкости с преобладанием диффузии [ править ]

Методы отслеживания и локализации потока жидкости с преобладающей диффузией, которые в основном используются для локализации запаха под землей, должны быть разработаны таким образом, чтобы обонятельные машины могли работать в средах, в которых движение жидкости определяется вязкостью. Это означает, что диффузия приводит к рассеиванию потока запаха, и концентрация запаха уменьшается от источника как распределение Гаусса . ^[11]

Распространение химического пара через почву без внешнего градиента давления часто моделируется вторым законом Фика :

${\ displaystyle {\ frac {\ partial C} {\ partial t}} = D {\ frac {\ partial ^ {2} C} {\ partial d ^ {2}}}}$

где D - постоянная диффузии, d - расстояние в направлении диффузии, C - химическая концентрация, а t - время.

Предполагая, что поток химического запаха распространяется только в одном направлении с однородным профилем поперечного сечения, соотношение концентрации запаха на определенном расстоянии и в определенный момент времени между концентрациями источника запаха моделируется следующим образом:

${\displaystyle {\frac {C}{C_{s}}}=\operatorname {erfc} {\frac {d}{\sqrt {4Dt}}}}$

где - концентрация источника запаха. Это простейшее динамическое уравнение при моделировании обнаружения запаха без учета внешнего ветра или других помех. В рамках модели распространения с преобладанием диффузии были разработаны различные алгоритмы простого отслеживания градиентов концентрации химических веществ для обнаружения источника запаха.${\displaystyle C_{s}}$

Алгоритм E. coli [ править ]

Простым методом отслеживания является алгоритм E. coli . ^[12] В этом процессе датчик запаха просто сравнивает информацию о концентрации из разных мест. Робот движется по повторяющимся прямым линиям в случайных направлениях. Когда информация о запахе в текущем состоянии улучшится по сравнению с предыдущим показанием, робот продолжит движение по текущему пути. Однако, когда текущее состояние хуже, чем предыдущее, робот отступит, а затем двинется в другом случайном направлении. Этот метод прост и эффективен, однако длина пути сильно варьируется, и количество ошибок увеличивается по мере приближения к источнику. ^{[ требуется дальнейшее объяснение ]}

Алгоритм шестнадцатеричного пути и алгоритм додекаэдра [ править ]

Другой метод, основанный на модели диффузии, - алгоритм шестнадцатеричного пути, разработанный Р. Эндрю Расселом ^[12] для локализации химического запаха под землей с помощью скрытого зонда, управляемого роботом-манипулятором. ^{[12] [13]} Зонд движется на определенной глубине по краям плотно упакованной гексагональной сетки. В каждом состоянии соединения n есть два пути (левый и правый) для выбора, и робот будет выбирать путь, который приводит к более высокой концентрации запаха на основе информации о концентрации запаха n −1 , n −2 в предыдущих двух состояниях перехода. . В 3D версии шестнадцатеричного путиалгоритм, алгоритм додекаэдра, зонд движется по пути, который соответствует плотно упакованным додекаэдрам , так что в каждой точке состояния есть три возможных выбора пути.

Поток жидкости с преобладанием турбулентности [ править ]

В потоке жидкости с преобладающей турбулентностью методы локализации предназначены для работы с фоновым потоком жидкости (ветра или воды) как с прерыванием турбулентности. Большинство алгоритмов этой категории основаны на моделировании шлейфа (рисунок 1). ^[14]

Динамика плюма основана на гауссовых моделях, которые основаны на уравнениях Навье – Стокса . Упрощенное граничное условие модели на основе Гаусса:

${\displaystyle {\frac {\partial C}{\partial t}}=D_{x}{\frac {\partial ^{2}C}{\partial x^{2}}}+D_{y}{\frac {\partial ^{2}C}{\partial y^{2}}}+\alpha {\frac {\partial C}{\partial x}}+\beta {\frac {\partial C}{\partial x}}}$

где D _x и D _y - константы диффузии; - линейная скорость ветра в направлении x , - линейная скорость ветра в направлении y . Кроме того, предполагая, что окружающая среда однородна и источник шлейфа постоянен, уравнение для обнаружения запаха в каждом датчике робота в каждый момент времени t - th будет следующим:${\displaystyle \alpha }$${\displaystyle \beta }$

${\displaystyle R_{i}=\gamma _{i}\sum _{k=1}^{K}{\frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha }}}+\omega _{i}}$

где это т - й образца I - го датчика, является коэффициент усиления, является к - й интенсивности источника, является расположение к - го источника, является параметром затухания шлейфа, фоновый шум , который удовлетворяет . При моделировании шлейфа можно использовать разные алгоритмы для локализации источника запаха.${\displaystyle R_{i}}$${\displaystyle \gamma _{i}}$${\displaystyle C_{k}}$${\displaystyle \rho _{k}}$${\displaystyle \alpha }$${\displaystyle \omega _{i}}$${\displaystyle N(\mu ,\sigma ^{2})}$

Алгоритм триангуляции [ править ]

Простым алгоритмом, который можно использовать для оценки местоположения, является метод триангуляции (рисунок 2). Рассмотрим приведенное выше уравнение обнаружения запаха, положение источника запаха можно оценить, упорядочив расстояния до датчиков на одной стороне уравнения и игнорируя шум. Положение источника можно оценить с помощью следующих уравнений:

${\displaystyle (x_{1}-x_{s})^{2}+(y_{1}-y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\displaystyle (x_{2}-x_{s})^{2}+(y_{2}-y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\displaystyle (x_{3}-x_{s})^{2}+(y_{3}-y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

Метод наименьших квадратов (LSM) [ править ]

Метод наименьших квадратов (LSM) - это немного сложный алгоритм локализации запаха. LSM-версия модели отслеживания запаха определяется следующим образом:

${\displaystyle R_{i},_{t}=\gamma _{i}{\frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^{2}}}+\omega _{i}}$

где - евклидово расстояние между сенсорным узлом и источником шлейфа, определяемое по формуле:${\displaystyle d_{i}}$

${\displaystyle d_{i}={\sqrt {(x_{i}-x-s)^{2}+(y_{i}+y_{s})^{2}}}}$

Основное отличие алгоритма LSM от метода прямой триангуляции - это шум. В LSM учитывается шум, и местоположение источника запаха оценивается путем минимизации квадратичной ошибки. Нелинейная задача наименьших квадратов задается следующим образом:

${\displaystyle J=\sum _{i=1}^{N}({{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^{2}}}}-{\overline {z_{l}}})}}$

где - предполагаемое местоположение источника, а - среднее значение нескольких измерений на датчиках, определяемое по формуле:${\displaystyle ({\widehat {x_{s}}},{\widehat {y_{s}}})}$${\displaystyle {\overline {z_{l}}}}$

${\displaystyle {\overline {z_{l}}}={\frac {1}{M}}\sum _{i=1}^{M}{z_{i}}}$

Оценка максимального правдоподобия (MLE) [ править ]

Другой метод, основанный на моделировании шлейфа, - это оценка максимального правдоподобия (MLE). В этом методе локализации запаха несколько матриц определяются следующим образом:

${\displaystyle Z=[{\frac {R_{1}-\mu _{1}}{\sigma _{1}}},{\frac {R_{2}-\mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\displaystyle G=diag[{\frac {\gamma _{1}}{\sigma _{1}}},{\frac {\gamma _{2}}{\sigma _{2}}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\displaystyle D=[{\frac {1}{d_{1}^{2}}},{\frac {1}{d_{2}^{2}}},...{\frac {1}{d_{N}^{2}}}]}$

${\displaystyle \zeta =[\zeta _{1},\zeta _{2},...\zeta _{N}]}$

${\displaystyle \zeta _{i}=(\omega _{i}-\mu _{i})/\sigma _{i}\sim N(0,1)}$

${\displaystyle {\frac {R_{i}-\mu _{i}}{\sigma _{i}}}\sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

С помощью этих матриц модель обнаружения запаха на основе шлейфа может быть выражена следующим уравнением:

${\displaystyle Z=GDC+\zeta }$

Затем MLE можно применить к моделированию и сформировать функцию плотности вероятности

${\displaystyle f(Z,\theta )=2\pi ^{-(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

где - предполагаемое положение источника запаха, а логарифмическая функция правдоподобия${\displaystyle \theta }$

${\displaystyle L(\theta )\sim {\frac {1}{2}}\sum _{i=1}^{N}{\|Z_{i}-\gamma _{i}{\frac {c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

Оценка параметра максимального правдоподобия может быть рассчитана путем минимизации${\displaystyle \theta }$

${\displaystyle I(\theta )=\sum _{i=1}^{N}{({\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

а точное положение источника запаха можно оценить, решив:

${\displaystyle {\frac {\partial {I(\theta )}}{\partial (x)}}=0,{\frac {\partial {I(\theta )}}{\partial (y)}}=0}$

См. Также [ править ]

• Цифровая технология запаха
• Детектор взрывчатых веществ Fido
• Ольфактометр

Ссылки [ править ]

Внешние ссылки [ править ]

• Электронные носовые технологии от Scensive Technologies Ltd, Великобритания
• TC Pearce, SS Schiffman, HT Nagle, JW Gardner (редакторы), Handbook of Machine Olfaction: Electronic Nose Technology, Wiley-VCH, Weinheim, 2002. В формате PDF по адресу: [1]
• Сеть по искусственному обонятельному зондированию (NOSE) Архив
• Искусственные носы - фото запаха, nature.com