تفکیک چندمتغیره طیف­ های مخلوط حلال­ ها و الگوشناسی توسط شبکه ­های عصبی مصنوعی بر اساس نقشه­ های خودساختی

چکیده قسمت اول: فرآیند تقطیر از جمله روش­ های متداول جداسازی در مقیاس آزمایشگاهی و صنعتی می­باشد و مطالعه آن از اهمیت ویژه­ای برخوردار است. در این راستا از طیف­ سنجی مادون قرمز نزدیک جهت استخراج داده­ها از خروجی ستون تقطیر استفاده شد. طی این بررسی، مخلوط­ های دوتایی ساده­ ای همانند تولوئن-هگزان، تولوئن-سیکلوهگزن و تولوئن-اتانول جهت مطالعه این فرآیند مهیا گردید. بدلیل تفاوت نقطه جوش حلال­ های مذکور، غلظت این ترکیبات در خروجی ستون تقطیر متفاوت خواهد بود. این تغییرات موجب تغییرات رونددار در طیف ترکیب خروجی از ستون تقطیر خواهد شد. روش­ های مختلف کمومتریکس همانند تمرکز میانگین، آنالیز فاکتوری کاهش مرتبه و تکاملی با پنجره ثابت جهت آنالیز داده­ های مربوطه بکار گرفته شدند. با اعمال محدودیت­ های از قبیل بسته­ بودن و منفی نبودن در پروفیل­ های بدست آمده، محدوده­ جواب­های قابل قبول برای پروفیل­ های غلظتی و طیفی ترکیبات در طی فرآیند تقطیر بدست آمد. این آنالیز بر روی کاربرد روش­های مختلف کمومتریکس در بررسی داده­ های دو بعدی در شرایط مختلف متمرکز بوده و جزو معدود کاربرد­های روش­های کمومتریکس در بررسی فرآیند تقطیر محسوب می­ گردد. قسمت دوم: در ادامه روشی جهت اندازه­ گیری غلظت آنالیت (حلال آلی) در حضور گونه­ های مزاحم ناشناخته (مخلوط حلال­های آلی) پیشنهاد شد. در این مطالعه، افزایش آنالیت به مخلوط موجب افزایش غلظت آنالیت و کاهش یکنواخت غلظت گونه­ های مزاحم خواهد شد، بطوری که چندین گونه مزاحم به صورت مزاحمی واحد رفتار خواهند کرد. با افزایش متوالی آنالیت به مخلوطی با چندین گونه مزاحم و ثبت طیف مادون قرمز نزدیک از مخلوط، ماتریس داده­ای با رتبه 2 بدست خواهد آمد. با توجه به مشخص بودن مدل تغییرات غلظت آنالیت طی افزایش و طیف خالص آن، می­ توان سهم آنالیت را، با تخمین مناسبی از غلظت اولیه آن در مخلوط، با استفاده از روش آنالیز فاکتوری کاهش رتبه از ماتریس داده کم کرد. روش پیشنهادی جهت آنالیز داده­ های شبیه­ سازی شده، تولوئن در مخلوط تولوئن-سیکلوهگزن و همچنین بنزین به عنوان نمونه­ ای واقعی بکار رفت و نتایج بدست آمده قدرت بالای روش در آنالیز مخلوط حلال­ ها را بیش از پیش نمایان ساخت می­ باشد. قسمت سوم: قسمت سوم این پایان نامه به مطالعات الگوشناسی اختصاص دارد. در بخش اول این قسمت مدلی جهت طبقه­ بندی نمونه­ های خونی سالم (15 نمونه) و مبتلا به تالاسمی (13 نمونه) پیشنهاد گردید. داده ثبت شده طیف­های رزونانس مغناطیسی هسته هیدروژن مربوط به سرم­ های خونی بودند. ابعاد داده­ ها در ابتدا توسط روش تحلیل گونه اصلی کاهش یافته و سپس مدل تحلیل افتراقی خطی جهت طبقه­ بندی این داده­ ها استفاده شد. تعداد ابعاد بهینه (تعداد گونه­ های اصلی) مورد استفاده در مدل، توسط معتبرسازی متقاطع تک­ حذفی برابر با 11 بدست آمد. در ادامه مدلی جهت پیش­ بینی مقادیر یکسری پارامتر­های خونی با استفاده از داده­ های رزونانس مغناطیسی هسته هیدروژن موجود و شبکه عصبی مصنوعی با تابع شعاعی ارائه شد. ابعاد داده­ ها در ابتدا توسط روش تحلیل گونه اصلی کاهش یافته و گونه­های اصلی سری آموزش برای فرآیند یادگیری شبکه مورد استفاده قرار گرفت و نتایج قابل قبولی بدست آمد. قسمت چهارم: در ادامه مطالعات الگوشناسی، توانایی طبقه­ بندی نقشه­ های خودساختی نظارتی با روش­های دیگری همچون تحلیل افتراقی خطی، مقدار دهی برداری آموزشی و ماشین­های بردار پشتیبان مقایسه شد. جهت این بررسی جعبه ابزار نقشه­ های خودساختی مهیا گردید و از سه داده شبیه­ سازی شده که در شرایط مختلف ساخته شده­ بودند استفاده شد. کیفیت و پایداری روش­های مذکور در آنالیز داده­های شبیه­سازی شده با توجه به توزیع درصد نرخ صحت طبقه­ بندی سری آزمایش (50 بار تکرار) مورد بررسی قرار گرفت. نتایج بدست آمده گواه این موضوع است که نقشه­ های خودساختی نظارتی، خصوصا شبکه انتشار متقابل، از توانایی درخور توجهی در آنالیز داده­­ ها با شرایط متفاوت برخوردار می­ باشند. همچنین ساختار داده­ ها و نوع توزیع نمونه­­ ها در فضای داده­ ها نیز باید همواره پیش از ساخت مدل مورد توجه قرار گیرد. قسمت پنجم: بهینه­ سازی روش­ های طبقه­ بندی از تاثیر ویژه­ ای در کیفیت و کارایی مدل بدست آمده برخوردار است. نقشه­ های خودساختی نظارتی از قبیل شبکه­ های انتشار متقابل از جمله روش­ های طبقه­ بندی هستند که افزایش روزافزون استفاده از آنها، لزوم انجام بهینه­ سازی مدل را بیشتر نمایان می­کند. با توجه به این موضوع، روشی بر مبنای الگوریتم ژنتیک جهت بهینه­ سازی پارامتر­های شبکه­های انتشار متقابل ارائه گردید. تابع شایستگی جدیدی با تلفیق خطای سری آموزش و معتبرسازی پیشنهاد شد. با توجه به وابستگی نسبی نتایج الگوریتم ژنتیکی به جمعیت اولیه و اعضای سری آموزش و تست، بهینه­ سازی توسط روش فوق چندین بار تکرار شد و کروموزوم­هایی که فرکانس نسبی تکرار آنها در کل و میانگین مقدار تابع شایستگی آنها بالا بود به عنوان شرایط بهینه برای مدل معرفی شدند. در انتخاب کروموزوم­(ها) بهینه از نموداری حبابی شکل، که از رسم فرکانس نسبی به میانگین تابع شایستگی بدست آمده بود، استفاده شد. داده­ های واقعی مختلفی در همین راستا مورد بررسی قرار گرفتند و نتایج قابل قبولی حاصل گردید.