The 10 reference contexts in paper A. Shteingart D., D. Gotalskii L., M. Belov L., O. Chernavskaya A., V. Gorodnichev A., Yu. Fedotov V., А. Штейнгарт Д., В. Городничев А., Д. Готальский Л., М. Белов Л., О. Чернавская А., Ю. Федотов В. (2016) “Лазерный флуоресцентный метод классификации нефтяных загрязнений на земной поверхности, использующий нейросетевой алгоритм // Laser Method for Oil Pollution Classification on Earth's Surface Using Neural Network Algorithm” / spz:neicon:technomag:y:2014:i:9:p:148-161

  1. Start
    1837
    Prefix
    Для дистанционного контроля нефтяных загрязнений на водной поверхности к настоящему времени разработаны различные лазерные (в основном флуоресцентные и спектрофотометрические) методы и приборы (см., например,
    Exact
    [1-5]
    Suffix
    ). Решение задачи мониторинга нефтяных загрязнений на земной является гораздо более сложным (из-за трудности обнаружения и классификации нефтяных загрязнений на земной поверхности на фоне природных образований) и она на сегодняшний день не решена.
    (check this in PDF content)

  2. Start
    2555
    Prefix
    нефтяных загрязнений на земной поверхности в настоящее время используют обычно лабораторные методы, основанные на химическом анализе или флуоресцентной диагностике специально подготовленных проб загрязненных почв. Только в последнее время появились работы, посвященные разработке физических основ дистанционного контроля нефтяных загрязнений на земной поверхности (см., например,
    Exact
    [6-8]
    Suffix
    ). В настоящей работе рассматривается лазерный флуоресцентный метод классификации нефтяных загрязнений на земной поверхности. Метод позволяет проводить классификацию по четырем группам: земная поверхность (незагрязненная нефтепродуктами); разлив на земной поверхности легких очищенных нефтепродуктов; разлив тяжелыx нефтепродуктов; разлив сырой нефти.
    (check this in PDF content)

  3. Start
    3668
    Prefix
    на облучении исследуемого участка земной поверхности лазером в ультрафиолетовом диапазоне и регистрации спектра флуоресцентного излучения (или флуоресцентного излучения в нескольких спектральных диапазонах). Физической основой решения задачи классификации нефтяных загрязнений является различие формы спектров флуоресценции для легких, тяжелых нефтепродуктов и сырой нефти (см. рисунок 1
    Exact
    [7]
    Suffix
    ). Рис.1 Спектры флуоресценции нефтепродуктов На рисунке 1 для примера показаны измеренные спектры флуоресценции нефтепродуктов (для длины волны возбуждения 266 нм). Здесь: 1 - бензин А80, 2 - бензин А92, 3 – керосин, 4 - дизельное топливо, 5 - масло машинное Castrol 10w40; 6 - масло машинное отработанное; 7 - нефть Альметьевская.
    (check this in PDF content)

  4. Start
    4125
    Prefix
    Здесь: 1 - бензин А80, 2 - бензин А92, 3 – керосин, 4 - дизельное топливо, 5 - масло машинное Castrol 10w40; 6 - масло машинное отработанное; 7 - нефть Альметьевская. Рисунок 1 хорошо показывает (это уже отмечалось ранее, например, в
    Exact
    [1]
    Suffix
    ), что нефтепродукты могут быть разделены по спектрам флуоресценции на три группы, а именно: легкие нефтепродукты (к данной группе относятся спектры 1, 2, 3), тяжелые нефтепродукты (спектры 4, 5, 6) и сырая нефть (спектр 7).
    (check this in PDF content)

  5. Start
    4629
    Prefix
    Задача классификации нефтяных загрязнений на земной поверхности с помощью лазерного флуориметра при облучении земной поверхности на длине волны 266 нм и регистрации флуоресцентного излучения в нескольких спектральных диапазонах исследовалась в
    Exact
    [8]
    Suffix
    . Для анализа формы спектров флуоресценции использовались четыре классифицирующих признака I() I() 1 2   , I() I() 1 3   , I() I() 2 4   и I() I() 2 5   , где )(I1, )(I2, )(I3, )(I4, )(I5 - интенсивности флуоресцентного излучения, регистрируемые соответственно в спектральных диапазонах 309,5-317,5 нм, 330,5-338,5 нм, 396,0-404,0 нм, 335-343 нм и 354,5-362,5нм
    (check this in PDF content)

  6. Start
    6149
    Prefix
    Вероятности правильной классификации нефтяных загрязнений на земной поверхности Исследуемые вещества Вероятности правильной классификации для нефтяных загрязнений, % Легкие нефтепродукты (керосин, бензины) 98,31 Тяжелые нефтепродукты (дизельное топливо, масло) 95,56 Сырая нефть 99,25 Земные поверхности 98,94 Разработанный в
    Exact
    [8]
    Suffix
    алгоритм позволяет обеспечить вероятности правильной классификации нефтепродуктов на земной поверхности больше 95,56 %. Однако, разработанный в работе [8] алгоритм является эвристическим и строго не обоснован, что позволяет надеяться на разработку алгоритма классификации нефтяных загрязнений на земной поверхности, обладающего лучшими характеристиками.
    (check this in PDF content)

  7. Start
    6312
    Prefix
    правильной классификации для нефтяных загрязнений, % Легкие нефтепродукты (керосин, бензины) 98,31 Тяжелые нефтепродукты (дизельное топливо, масло) 95,56 Сырая нефть 99,25 Земные поверхности 98,94 Разработанный в [8] алгоритм позволяет обеспечить вероятности правильной классификации нефтепродуктов на земной поверхности больше 95,56 %. Однако, разработанный в работе
    Exact
    [8]
    Suffix
    алгоритм является эвристическим и строго не обоснован, что позволяет надеяться на разработку алгоритма классификации нефтяных загрязнений на земной поверхности, обладающего лучшими характеристиками.
    (check this in PDF content)

  8. Start
    7181
    Prefix
    Определение архитектуры нейронной сети ску сственные нейро нные се ти (построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма) представляют собой систему соединённых и взаимодействующих между собой процессоров - искусственных нейронов (см., например,
    Exact
    [9-12]
    Suffix
    ). ску сственные нейронные сети имеют способность обучаться. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами.
    (check this in PDF content)

  9. Start
    13077
    Prefix
    качестве обучающей выборки для персептрона были взяты измеренные авторами 863 спектра флуоресценции, из которых 282 принадлежали к чистой земной поверхности (без загрязнений нефтью и нефтепродуктами), а 581 – к земной поверхности, загрязненной нефтью или нефтепродуктами. При построении нейронной сети использовались алгоритмы обратного распространения ошибки (см., например,
    Exact
    [9,11]
    Suffix
    ). Метод обратного распространения ошибки (англ. backpropagation)— метод обучения многослойного перцептрона. Это итеративный градиентный алгоритм, который используется с целью минимизации ошибки работы многослойного перцептрона и получения желаемого выхода.
    (check this in PDF content)

  10. Start
    16329
    Prefix
    классификации для нефтяных загрязнений, % Легкие нефтепродукты (керосин, бензины) 99,32 Тяжелые нефтепродукты (дизельное топливо, масло) 99,32 Сырая нефть 99,77 Земные поверхности 99,65 Результаты, приведенные в Таблице 7 показывают, что нейросетевой алгоритм обеспечивает существенно большую вероятность правильной классификации, чем эвристический метод, описанный в
    Exact
    [8]
    Suffix
    . Заключение Результаты математического моделирования на основе экспериментальных данных показывают, что использование нейронной сети для обработки данных измерений позволяет существенно повысить надежность лазерного флуоресцентного метода классификации нефтяных загрязнений на земной поверхности и обеспечить вероятность правильной классификации нефтяных загрязнений близкой к едини
    (check this in PDF content)