Escolar Documentos
Profissional Documentos
Cultura Documentos
Los dos componentes principales de una nariz electrónica son el sistema sensor y el patrón
automatizado
sistema de reconocimiento. El sistema de detección puede ser una matriz de varios
elementos sensores diferentes (por ejemplo, sensores químicos), donde cada elemento mide
una propiedad diferente del producto químico detectado, o puede ser un único dispositivo
sensor (por ejemplo, un espectrómetro) que produce una
una serie de medidas para cada producto químico, o puede ser una combinación. Cada
vapor químico presentado al conjunto de sensores produce una firma o patrón característico
del vapor. Al presentar muchos productos químicos diferentes en el conjunto de sensores,
se crea una base de datos de firmas. Esta base de datos de firmas etiquetadas se usa para
entrenar el sistema de reconocimiento de patrones. El objetivo de este proceso de
capacitación es configurar el sistema de reconocimiento para producir clasificaciones
únicas de
cada químico para que se pueda implementar una identificación automatizada.
La cantidad y complejidad de los datos recopilados por la matriz de sensores puede
dificultar el análisis químico convencional de los datos de manera automatizada. Un
enfoque para la identificación de vapores químicos es construir una serie de sensores,
donde cada sensor de la matriz está diseñado para responder a un químico específico. Con
este enfoque, la cantidad de sensores únicos debe ser al menos tan grande como la cantidad
de sustancias químicas que se monitorean. Es costoso y difícil de construir altamente
sensores químicos selectivos.
Redes neuronales artificiales (ANN), que se han utilizado para analizar datos complejos y
para reconocer
patrones, están mostrando resultados prometedores en el reconocimiento de vapores
químicos. Cuando se combina una ANN con una matriz de sensores, la cantidad de
detectables los productos químicos generalmente son más grandes que la cantidad de
sensores [I]. Además, los sensores menos selectivos que generalmente son menos costosos
se pueden usar con este enfoque. Una vez que la ANN se entrena para el reconocimiento de
vapor químico, operación consiste en propagar los datos del sensor a través de la red. Dado
que esto es simplemente una serie de multiplicaciones de matrices de vectores, productos
químicos desconocidos se puede identificar rápidamente en el campo.
Las narices electrónicas que incorporan ANN se han demostrado en diversas aplicaciones.
Algunas de estas aplicaciones serán discutidas más adelante en el periódico. Se han
utilizado muchas configuraciones de ANN y algoritmos de entrenamiento para construir
narices electrónicas, incluidas las redes de retroalimentación avanzada y feed-forward;
furzy ARTmaps;