Класифікація хіміко-аналітичних даних на основі поєднання нейронної мережі Кохонена та імовірнісної нейронної мережі
Анотація
В статті описано й апробовано процедуру класифікації об’єктів за даними про їх хіміко-аналітичні характеристики на основі об’єднання мережі Кохонена та ймовірнісної мережі. На відміну від існуючих алгоритмів, запропонована процедура не вимагає залучати апріорну інформацію ані про число класів, ані про склад навчальної вибірки. Процедуру випробувано при класифікації зразків річкових і джерельних вод м. Харкова за даними про вміст у них іонів металів.
Завантаження
Посилання
Vlasov Yu., Legin A., Rudnitskaya A., Di Natale C., D’Amico A. Nonspecific sensor arrays (“electronic tongue”) for chemical analysis of liquids // Pure Appl. Chem. 2005. 77(11). P. 1965.
Hardcastle W. A. Qualitative analysis: a guide to best practice. Cambridge: Royal Society of Chemistry, 1998, 24 p. ISBN 0-85404-462-0.
Milman B. L. Identification of chemical compounds // Trends Anal. Chem. 2005. 24(6). P. 493.
Rodionova O. Ye., Pomerantsev A. L. Hemometrika v analiticheskoy himii, 2006, 61 p. http://www.chemometrics.ru/materials/articles/chemometrics_review.pdf [in Russian]
Adams M. J. Chemometrics in analytical spectroscopy (2nd ed.). Cambridge: Royal Society of Chemistry, 2004, 238 p. ISBN 0-85404-555-4.
Mutihac L., Mutihac R. Mining in chemometrics // Anal. Chim. Acta. 2008. 612. P. 1.
de Juan A., Fonrodona G., Casassas E. Solvent classification based on solvatochromic pa-rameters: a comparison with the Snyder approach // Trends Anal. Chem. – 1997. 16(1). P. 52.
Simeonov V., Simeonova P., Tsakovskii S., Lovchinov V. Lake water monitoring data as-sessment by multivariate statistics // J. Water Resource Protect. 2010. 2. P. 353.
Skorek R., Jablonska M., Polowniak M., Kita A., Janoska P., Buhl F. Application of ICP-MS and various computational methods for drinking water quality assessment from the Silesian District (Southern Poland) // Centr. Eur. J. Chem. 2010. 10(1). P. 71.
Balabin R. M., Safieva R. Z., Lomakina E. I. Gasoline classification using near infrared (NIR) spectroscopy data: comparison of multivariate techniques // Anal. Chim. Acta. 2010. 671. P. 27.
Galao O. F., Borsato D., Pinto J. P., Visentainer J. V., Carrao-Panizzi M. C. Artificial neural networks in the classification and identification of soybean cultivars by planting region // J. Braz. Chem. Soc. 2011. 22(1). P. 142.
Pushkarova Ya., Kholin Yu. The classification of solvents based on solvatochromic character-istics: the choice of optimal parameters for artificial neural networks // Centr. Eur. J. Chem. 2012. 10(4). P. 1318.
Krasnianchyn Ya. N., Panteleimonov A. V., Kholin Yu. V. // Visn. Hark. nac. univ., 2010, № 895, Ser. Him., issue. 18(41), P. 39. [ISSN 2220-637X (print), ISSN 2220-6396 (online), http://chembull.univer.kharkov.ua/archiv/2010/05.pdf] [in Russian].
Krasnianchyn Ya. N., Panteleimonov A. V., Kholin Yu. V. // Visn. Hark. nac. univ., 2010, № 932, Ser. Him., issue. 19(42), P. 170. [ISSN 2220-637X (print), ISSN 2220-6396 (online), http://chembull.univer.kharkov.ua/archiv/2010_2/21.pdf] [in Russian].
Kruglov V. V., Borisov V. V. Iskusstvenny'e neyronny'e seti. Teoriya i praktika. M.: Gorya-chaya liniya-Telekom, 2002, 382 p. ISBN 5-93517-031-0. [in Russian]
Osowski S. Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna wydawnicza politechniki Warszawskiej, 2000. ISBN 83-7207-187-X.
Dong M., Wang N. Adaptive network-based fuzzy inference system with leave-one-out cross-validation approach for prediction of surface roughness // Appl. Math. Model. 2011. 35(3). P. 1024.
Pushkarova Ya. N., Sledzevska A. B., Panteleimonov A. V., Titova N. P., Yurchenko O. I., Ivanov V. V., Kholin Yu. V. // Moscow Univ. Chem. Bull. 2012. 67(6). P. 287.
Sharaf M. A., Illman D. L., Kowalski B. R. Chemometrics. New York, Chichester, Brasbane, Totonto, Singapore: John Wiley & Sons, 1986, 332 p. ISBN 0471831069.
