ИСТИНА

Существует множество методов определения химического состава растворов. К таким методам относятся, например, химический анализ, электрохимические методы, хроматография и др. Они обеспечивают хорошую точность определения концентраций растворенных в воде веществ. Однако, эти методы достаточно дороги, они индивидуальны для каждого вещества, их точность зависит от типа и количества других веществ в растворе, на применение таких методов требуется длительное время, наличие реактивов, высокой квалификации персонала и т.д. При этом для решения большинства практических задач нужна не столько высокая точность определения концентрации ионов, сколько простота и оперативность решения задачи. Методы оптической спектроскопии не обладают такой высокой точностью, как аналитические методы, но зато позволяют одновременно определять концентрацию множества химических элементов, не требуют специальной подготовки экспериментальных образцов, являются неинвазивными, экспрессными и относительно дешевыми. Однако возможности их применения определяются и ограничиваются используемыми математическими методами анализа спектров. На данный момент не существует адекватной математической модели, описывающей спектры многокомпонентных растворов, поэтому практически единственным способом решения данной задачи является применение методов машинного обучения, в частности нейронных сетей, с использованием экспериментальных данных. Применение нейросетевых методов в данном случае имеет свои особенности. С одной стороны, размерность задачи по входу оказывается достаточно высокой, т.к. регистрация спектров ведется на большом количестве каналов. С другой стороны, размер тренировочной выборки оказывается достаточно мал, вследствие дороговизны эксперимента и высоких трудозатрат на его проведение. По этим причинам возникает необходимость использовать специальные процедуры снижения входной размерности, в частности, отбор существенных признаков. При этом задача определения концентраций растворенных в воде веществ является по своей постановке обратной задачей, вследствие чего она обладает свойствами некорректности и плохой обусловленности, что делает ее чувствительной к шумам во входных данных, которые неизменно присутствуют при проведении физического эксперимента. Настоящая работа посвящена исследованию влияния отбора существенных входных признаков на устойчивость нейросетевого решения обратных задач оптической спектроскопии.