Classificador de aromas com redes neurais artificiais para um nariz eletrônico.
| Ano de defesa: | 1998 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://www.teses.usp.br/teses/disponiveis/3/3140/tde-27112024-121823/ |
Resumo: | Desenvolveu-se um classificador utilizando redes neurais artificiais para o reconhecimento de padrões de aromas em um nariz eletrônico. O classificador foi desenvolvido a partir do modelo biológico KIII de Freeman. O classificador é composto de 4 redes neurais, chamadas de R0, R1, R2, R3 e R4, interligadas por elementos atrasadores denominados de L1, L2, L3 e L4. A rede R0 reconstrói o sinal de entrada dos sensores, a rede R1 categoriza o estado dos sensores e as redes R2 e R3 geram sinais de focalização para a rede R1. Um nariz eletrônico foi construído e medidas foram realizadas para identificar amostras gasosas que pertecem a duas séries diferentes de compostos químicos, uma referente ao grupo dos solventes orgânicos e outra ao grupo dos álcoois. Na primeira série de medidas, foram utilizados álcool etílico, álcool isopropílico e acetona. Na segunda, como representantes da família do álcool etílico, foram usados quatro tipos de aguardentes comerciais brasileiras e ainda pisco e álcool de arroz. Foram realizadas simulações com padrões experimentais e sintéticos com um perceptron multicamadas. A menor taxa de erro foi alcançada com o uso da tensão sobre os sensores em regime permanente antes e depois da injeção da espécie como atributo. Foi desenvolvido um algoritmo de treinamento para as redes neurais artificiais do classificador. Observou-se a capacidade de reconstrução dos sinais dos sensores pela rede R0 e foi demonstrado que estacapacidade é maior com o aumento do número de sensores. Por meio de simulações com padrões sintéticos, foi verificado o comportamento do classificador, sendo estimado os valores para os seus elementos. Verificou-se que os sinais de focalização das redes R2 e R3 sobre a rede R1 devem possuir a mesma intensidade e serem aproximadamente uma década menores que o sinal dos sensores na entrada da rede R1. Os tempos de atraso dos elementos atrasadores L1 a L3 devem ser iguais e para ) L4 o tempo de atraso deve ser duas as três vezes o tempo de L1. Para o funcionamento adequado do classificador, foi observada a necessidade de se incluir um filtro passa baixas nos elementos atrasadores. O tempo de atraso está relacionado com os tempos de resposta dos sensores. O filtro passa baixa pode controlar a memória de longo termo do classificador. Simulações realizadas com padrões de medidas do nariz eletrônico conduziram a observações semelhantes às apresentadas para os padrões sintéticos. |
| id |
USP_c424d702385427ac0a376e67d5f1ce24 |
|---|---|
| oai_identifier_str |
oai:teses.usp.br:tde-27112024-121823 |
| network_acronym_str |
USP |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
| repository_id_str |
|
| spelling |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico.Untitled in englishArtificial neural networksElectronic noseNariz eletrônicoRedes neurais artificiaisDesenvolveu-se um classificador utilizando redes neurais artificiais para o reconhecimento de padrões de aromas em um nariz eletrônico. O classificador foi desenvolvido a partir do modelo biológico KIII de Freeman. O classificador é composto de 4 redes neurais, chamadas de R0, R1, R2, R3 e R4, interligadas por elementos atrasadores denominados de L1, L2, L3 e L4. A rede R0 reconstrói o sinal de entrada dos sensores, a rede R1 categoriza o estado dos sensores e as redes R2 e R3 geram sinais de focalização para a rede R1. Um nariz eletrônico foi construído e medidas foram realizadas para identificar amostras gasosas que pertecem a duas séries diferentes de compostos químicos, uma referente ao grupo dos solventes orgânicos e outra ao grupo dos álcoois. Na primeira série de medidas, foram utilizados álcool etílico, álcool isopropílico e acetona. Na segunda, como representantes da família do álcool etílico, foram usados quatro tipos de aguardentes comerciais brasileiras e ainda pisco e álcool de arroz. Foram realizadas simulações com padrões experimentais e sintéticos com um perceptron multicamadas. A menor taxa de erro foi alcançada com o uso da tensão sobre os sensores em regime permanente antes e depois da injeção da espécie como atributo. Foi desenvolvido um algoritmo de treinamento para as redes neurais artificiais do classificador. Observou-se a capacidade de reconstrução dos sinais dos sensores pela rede R0 e foi demonstrado que estacapacidade é maior com o aumento do número de sensores. Por meio de simulações com padrões sintéticos, foi verificado o comportamento do classificador, sendo estimado os valores para os seus elementos. Verificou-se que os sinais de focalização das redes R2 e R3 sobre a rede R1 devem possuir a mesma intensidade e serem aproximadamente uma década menores que o sinal dos sensores na entrada da rede R1. Os tempos de atraso dos elementos atrasadores L1 a L3 devem ser iguais e para ) L4 o tempo de atraso deve ser duas as três vezes o tempo de L1. Para o funcionamento adequado do classificador, foi observada a necessidade de se incluir um filtro passa baixas nos elementos atrasadores. O tempo de atraso está relacionado com os tempos de resposta dos sensores. O filtro passa baixa pode controlar a memória de longo termo do classificador. Simulações realizadas com padrões de medidas do nariz eletrônico conduziram a observações semelhantes às apresentadas para os padrões sintéticos.A classifier was developed using artificial neural nets for the recognition of patterns of aromas in an electronic nose. The classifier was developed starting from the biological model KIII of Freeman. The classifier is composed of 4 neural nets, calls of R), R1, R2, R3 and R4, interlinked for delays elements denominated of L1, L2, L3 and L4. The net R0 reconstructs the sign of entrance of the sensor ones, the net R1 classifies the state of the sensor ones and the nets R2 and R3 generate focalization signals for the net R1. An alectronic nose was built and measures were accomplished in two series. In the first series the ethyl alcohol, the isopropyl alcohol and the acetone were used. In the second series of measures four commercial Brazilian brandy were used, I blink and alcohol of rice. Simulations were accomplished with experimental and synthetic patterns with a multilayer perceptron. The smallest mistake rate was reached with the use of the tension on the sensor ones in permanent regime before and after the injection of the species as attribute. A training algorithm was developed for the artificial neural nets of the classifier.Biblioteca Digitais de Teses e Dissertações da USPFernandez, Francisco Javier RamírezBaratto, Giovani1998-03-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3140/tde-27112024-121823/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-11-27T14:32:02Zoai:teses.usp.br:tde-27112024-121823Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-11-27T14:32:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
| dc.title.none.fl_str_mv |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. Untitled in english |
| title |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| spellingShingle |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. Baratto, Giovani Artificial neural networks Electronic nose Nariz eletrônico Redes neurais artificiais |
| title_short |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| title_full |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| title_fullStr |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| title_full_unstemmed |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| title_sort |
Classificador de aromas com redes neurais artificiais para um nariz eletrônico. |
| author |
Baratto, Giovani |
| author_facet |
Baratto, Giovani |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Fernandez, Francisco Javier Ramírez |
| dc.contributor.author.fl_str_mv |
Baratto, Giovani |
| dc.subject.por.fl_str_mv |
Artificial neural networks Electronic nose Nariz eletrônico Redes neurais artificiais |
| topic |
Artificial neural networks Electronic nose Nariz eletrônico Redes neurais artificiais |
| description |
Desenvolveu-se um classificador utilizando redes neurais artificiais para o reconhecimento de padrões de aromas em um nariz eletrônico. O classificador foi desenvolvido a partir do modelo biológico KIII de Freeman. O classificador é composto de 4 redes neurais, chamadas de R0, R1, R2, R3 e R4, interligadas por elementos atrasadores denominados de L1, L2, L3 e L4. A rede R0 reconstrói o sinal de entrada dos sensores, a rede R1 categoriza o estado dos sensores e as redes R2 e R3 geram sinais de focalização para a rede R1. Um nariz eletrônico foi construído e medidas foram realizadas para identificar amostras gasosas que pertecem a duas séries diferentes de compostos químicos, uma referente ao grupo dos solventes orgânicos e outra ao grupo dos álcoois. Na primeira série de medidas, foram utilizados álcool etílico, álcool isopropílico e acetona. Na segunda, como representantes da família do álcool etílico, foram usados quatro tipos de aguardentes comerciais brasileiras e ainda pisco e álcool de arroz. Foram realizadas simulações com padrões experimentais e sintéticos com um perceptron multicamadas. A menor taxa de erro foi alcançada com o uso da tensão sobre os sensores em regime permanente antes e depois da injeção da espécie como atributo. Foi desenvolvido um algoritmo de treinamento para as redes neurais artificiais do classificador. Observou-se a capacidade de reconstrução dos sinais dos sensores pela rede R0 e foi demonstrado que estacapacidade é maior com o aumento do número de sensores. Por meio de simulações com padrões sintéticos, foi verificado o comportamento do classificador, sendo estimado os valores para os seus elementos. Verificou-se que os sinais de focalização das redes R2 e R3 sobre a rede R1 devem possuir a mesma intensidade e serem aproximadamente uma década menores que o sinal dos sensores na entrada da rede R1. Os tempos de atraso dos elementos atrasadores L1 a L3 devem ser iguais e para ) L4 o tempo de atraso deve ser duas as três vezes o tempo de L1. Para o funcionamento adequado do classificador, foi observada a necessidade de se incluir um filtro passa baixas nos elementos atrasadores. O tempo de atraso está relacionado com os tempos de resposta dos sensores. O filtro passa baixa pode controlar a memória de longo termo do classificador. Simulações realizadas com padrões de medidas do nariz eletrônico conduziram a observações semelhantes às apresentadas para os padrões sintéticos. |
| publishDate |
1998 |
| dc.date.none.fl_str_mv |
1998-03-11 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/3/3140/tde-27112024-121823/ |
| url |
https://www.teses.usp.br/teses/disponiveis/3/3140/tde-27112024-121823/ |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
|
| dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
|
| dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
| instname_str |
Universidade de São Paulo (USP) |
| instacron_str |
USP |
| institution |
USP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
| collection |
Biblioteca Digital de Teses e Dissertações da USP |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
| repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
| _version_ |
1818598508965396480 |