|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ПсковГУ |
||
Генетические алгоритмы для обучения нейронных сетей при создании оптических углеродных наносенсоров ионов металловтезисы доклада Тезисы
- Авторы: Куприянов Г.А., Доленко С.А., Исаев И.В., Сарманова О.Э., Доленко Т.А.
- Сборник: Сборник тезисов докладов Международной конференции Наноуглерод и Наноалмаз (НиА2024)
- Тезисы
- Год издания: 2024
- Место издания: Медиапапир Санкт-Петербург
- Первая страница: 201
- Аннотация: Благодаря высокой чувствительности фотолюминесценции (ФЛ) к изменениюпараметров окружающей среды, в том числе, типа и концентрации растворенных ионов,углеродные точки (УТ) имеют широкие перспективы применения в качестве оптическихнаносенсоров катионов металлов в технологических средах [1]. При создании подобныхсенсоров необходимо решить многопараметрическую обратную задачу люминесцентнойспектроскопии, заключающуюся в определении концентрации каждого из растворенных ионовв среде по изменению спектров люминесценции УТ, обусловленному взаимодействием УТ сионами. Линейные модели, такие МРК (многомерное разрешение кривых) и ПЛС (проекция налатентные структуры), не дают необходимое качество предсказаний [2]. Нелинейные модели,превосходя линейные по получаемому качеству предсказания, имеют сложную,многоэкстремальную минимизируемую функцию ошибки. Учитывая большую размерностьвходных данных, а, значит, и подбираемых весов нейронной сети (НС), градиентные методысклонны к преждевременному схождению в локальные минимумы функции ошибки, чтоприводит к неполному использованию потенциала НС. Один из путей решения проблемыпреждевременной сходимости - использование популяционных методов для обучения НС.В данной работе исследуется возможность применения генетического алгоритма вкачестве оптимизатора для решения обратной задачи люминесцентной спектроскопии –определения концентрации каждого из ионов Cu2+, Ni2+, Cr3+, (NO3)- в воде по спектрам ФЛ УТ – спомощью моделей нейронных сетей. Генетический алгоритм (ГА) - один из наиболее широкоиспользуемых популяционных методов. На каждой итерации ГА оперирует набором решений,что позволяет более полно по сравнению с градиентными методами исследоватьоптимизируемую функцию и найти наилучшее решение [3]. В настоящей работе представленырезультаты применения ГА для подбора весов НС различных архитектур при решенииуказанной многопараметрической обратной задачи люминесцентной спектроскопии [1].Проведен сравнительный анализ с классическими методами подбора весов нейронной сети -градиентными методами, который показал большие возможности применения ГА. Исследование выполнено за счёт гранта Российского научного фонда № 22-12-00138,https://rscf.ru/project/22-12-00138/ ; стипендии развития теоретической физики и математикифонда «БАЗИС» №23-2-1-65-1.Ссылки1. O. Sarmanova, K. Laptinskiy, S. Burikov, G. Chugreeva, T. Dolenko, Implementing neuralnetwork approach to create carbon-based optical nanosensor of heavy metal ions in liquidmedia, SAA: Molecular and Biomolecular Spectroscopy (2023), 286, 122003.2. A. Efitorov, S. Burikov, T. Dolenko, I. Persiantsev, S. Dolenko, Comparison of the quality ofsolving the inverse problems of spectroscopy of multi-component solutions with neural networkmethods and with the method of projection to latent structures, Information Optics (2015), 24,93.3. G. Kupriyanov, I. Isaev, I. Plastinin, T. Dolenko, S. Dolenko, Decomposition of Spectral Contourinto Gaussian Bands using Gender Genetic Algorithm, Proceedings of Science (2022), 429, 9.
- Добавил в систему: Куприянов Гавриил Александрович