ИСТИНА

Как известно, спектроскопические методы исследования обладают широким спектром достоинств, среди которых – малое время измерения (экспрессность), отсутствие необходимости в непосредственном контакте с исследуемым объектом (неинвазивность) вплоть до возможности применения в дистанционном режиме, а также отсутствие необходимости в расходных материалах и реагентах. Однако применение спектроскопических методов с точки зрения обработки данных подразумевает решение обратных задач (ОЗ), часто многопараметрических, по извлечению интересующей исследователя информации из данных спектра, имеющих, как правило, высокую размерность (сотни и первые тысячи спектральных каналов). В случае наличия существенного нелинейного взаимодействия компонентов исследуемого объекта и отсутствия возможности адекватного по качеству решения прямой задачи (например, если исследуемый объект – жидкости или растворы) матричные математические методы решения ОЗ или оптимизационные методы оказываются неспособны обеспечить решение ОЗ с требуемой точностью. Предыдущий опыт авторов проекта показал, что эффективным средством для решения многопараметрических ОЗ с высокой входной размерностью при нелинейном взаимодействии компонентов объекта исследования является использование искусственных нейронных сетей (ИНС) – многослойных персептронов (МСП). Однако традиционный вариант МСП ищет аппроксимационное решение задачи в виде суперпозиции структур (базисных функций), исходно имеющих одинаковый масштаб в пространстве входных признаков. Между тем, компоненты исследуемого объекта в оптической спектроскопии могут иметь характерные полосы существенно различных масштабов – от узких спектральных линий до широких бесструктурных полос, форму которых необходимо анализировать одновременно. В этом контексте представляется разумной разработка методики применения для решения подобных задач вейвлет нейронных сетей, изначально использующих базисные функции как одинаковых, так и кратно различающихся масштабов. В данном проекте предполагается: 1) Разработать методики применения вейвлет нейронных сетей для решения нескольких ОЗ оптической спектроскопии, включающие методы подготовки данных и адаптацию алгоритмов; 2) Сравнить результаты решения нескольких разнообразных по характеру данных ОЗ оптической спектроскопии с помощью МСП и с помощью вейвлет нейронных сетей; 3) Сделать выводы о сравнительной эффективности этих двух подходов и о целесообразности применения вейвлет нейронных сетей для решения нелинейных многопараметрических ОЗ оптической спектроскопии; 4) Сформулировать общую методологию применения вейвлет нейронных сетей для решения ОЗ оптической спектроскопии.

За время выполнения проекта ожидается получить следующие основные научные результаты. 1) Результаты анализа 3-4 задач оптической спектроскопии, отличающихся по характеру данных, и их методическая проработка. Результаты определения выходных параметров задач, типов входных спектров, анализа спектров с точки зрения характерной ширины линий, определения диапазонов изменения параметров задач, особенностей постановки эксперимента и пр. 2) Исходные массивы экспериментальных спектров для каждой из рассматриваемых физических задач. 3) Программная реализация ВНС, позволяющая решать многопараметрические ОЗ (до 10-15 определяемых параметров) с высокой размерностью входных данных (до 2048 спектральных каналов). 4) Методика применения ВНС для каждой из рассматриваемых задач, включающая методы подготовки данных и адаптацию алгоритмов. Результаты применения разработанной методики с получением подготовленного массива данных и адаптированной программной реализации (в случае необходимости) для каждой из рассматриваемых задач. 5) Результаты решения каждой из рассматриваемых задач тремя способами: с помощью ВНС, с помощью многослойных персептронов как реперного нелинейного метода и с помощью метода проекций на латентные структуры (ПЛС) как реперного линейного метода. Результаты сравнения и анализа результатов. 6) Сформулированная методология применения ВНС для решения

Руководитель и исполнители проекта предложили применить технику искусственных нейронных сетей для решения обратных задач лазерной спектроскопии КР и флуориметрии водных сред. Были успешно решены следующие задачи: 1. Задача идентификации солевого состава водных растворов и определения парциальных концентраций солей в них по валентной полосе спектра КР воды для одно-, двух- и трехкомпонентных водных растворов с использованием традиционного нейросетевого алгоритма (МСП). 2. Задача идентификации солей и определения их парциальных концентраций в пятикомпонентных водных растворах по полному спектру КР растворов с использованием различных ИНС . 3. Задача идентификации и определения концентрации ионов в многокомпонентных водных растворах по спектрам КР растворов. Исследовались водные растворы 10 солей с повторяющимися 10 ионами. 4. Разработан метод определения солевого состава многокомпонентных растворов с помощью самоорганизующихся карт Кохонена 5. Была решена задача кластеризации типов растворенного органического вещества (РОВ) по признакам формы их флуоресцентных полос. Количественные характеристики формы полосы флуоресценции различных типов РОВ несут информацию о гидрологической структуре водных масс и могут быть использованы для идентификации типов вод в прибрежных морских акваториях. 6. Задача выделения флуоресцентного сигнала нефти в воде на фоне широкополосной флуоресценции растворенного органического вещества. С помощью ИНС была определена чувствительность этого метода по минимально детектируемой концентрации нефти - несколько мкг/л. 7. Задача оптической визуализации наноагентов в биотканях (выделения флуоресценции наночастиц на фоне собственной флуоресценции биологической среды) с использованием нейросетевых алгоритмов. С помощью многослойного персептрона с обратным распространением ошибки была решена задача детектирования детонационных наноалмазов и углеродных квантовых точек по их спектрам флуоресценции на фоне аутофлуоресценции яичного белка.