СПОСОБ ОБНАРУЖЕНИЯ И ИДЕНТИФИКАЦИИ ВЗРЫВЧАТЫХ, БОЕВЫХ ОТРАВЛЯЮЩИХ И НАРКОТИЧЕСКИХ ВЕЩЕСТВ И УСТРОЙСТВО ДЛЯ ЕГО ОСУЩЕСТВЛЕНИЯ Российский патент 2024 года по МПК G01N33/22 G01N27/12 

Изобретение относится к области химической защиты и предназначено для решения задач постоянного отбора проб, в том числе в автоматическом режиме и высокоскоростной обработки данных с выявлением признаков взрывчатых, боевых отравляющих и наркотических веществ в отбираемом воздухе.

Известен способ обнаружения взрывоопасных и отравляющих веществ (патент RU 2629742, F24F 3/16, опубл. 31.08.1917) на объектах, имеющих контуры замкнутых объемов воздуха (воздушные суда, водный и наземный транспорт). В результате осуществления изобретения в воздухе могут быть определены ВВ и ОВ, такие как тринитротолуол, нитроглицерин, этиленгликольдинитрат, гексоген, октоген, пентаэритротетранитрат, черный порох и смеси на их основе, наркотические вещества и прочие токсичные и отравляющие вещества. При обнаружении ВВ и ОВ срабатывает система оповещения о присутствии ВВ и ОВ. Сигнал опасности представляется в виде световой, звуковой или речевой информации. Изобретение включает газоанализатор в виде высокочувствительного дрейф-спектрометра, с помощью которого осуществляется отбор воздуха на входе системы кондиционирования, и связанный с ним блок обработки данных. Рассматриваемый способ является недешевым, поскольку для определения ВВ и ОВ применяется сравнительно дорогой специализированный дрейф-спектрометр. Применение изобретения ограничено применением комплексной системы кондиционирования воздуха, поскольку частицы ВВ и ОВ могут попасть в газоанализатор, расположенный на входе системы кондиционирования лишь под воздействием потоков воздуха, циркулирующих в системе.

Известен способ для оперативного обнаружения отравляющих веществ и токсинов (патент RU 2527079, A62D 3/00, опубл. 27.08.2014), реализуемый с помощью устройства, состоящего из: камеры, оборудованной всасывающими устройствами, датчиков анализа внешней воздушной среды, усилителей преобразователей, микропроцессорного комплекта первого порядка, блока памяти эталонов, блока ввода вопросов, блока анализа ответов, блока анализа неизвестных химических соединений и комбинации отравляющих веществ, матричного поля в виде диодной кристаллической решетки на базе жидких кристаллов микропроцессора второго порядка, блока предупреждения об опасности блока исполнительного устройства и механизмов исполнительного устройства, определённым образом соединенных и взаимодействующих между собой. В результате осуществления изобретения в режиме 1 (слежение) воздушные массы через всасывающие устройства проходят через датчики, на выходе которых формируются сигналы. Эти сигналы поступают в усилители-преобразователи, где они преобразуются в информацию цифровой графики. Далее информация сравнивается с эталонами всех известных видов токсинов, записанных в виде цифровых информативных сущностей. Если поступающая информация цифровой графики несравнима с эталоном, то подключается блок ввода вопросов. Он запускает сигнал, который подключает к анализу поступившей цифровой графики блок анализа ответов и блок анализа неизвестных химических соединений и комбинаций отравляющих веществ и включает в действие матричное поле. Сигналы управления с матричного поля поступают на входы блока анализа эталонов и блока ввода вопросов, с выхода которого снимается сигнал управления на вход микропроцессорного комплекта первого порядка. Это происходит если информация цифровой графики, поступившая извне, незначительно или в допустимых пределах отличается от информации с матричного поля. Если же различия значительные матричное поле запускает в работу микропроцессор второго порядка, с выхода которого запускается система оповещения и исполнительное устройство, которое выбрасывает в окружающую среду определенную часть нейтрализующего раствора. Если после этого обстановка с состоянием воздуха стабилизировалась, то происходит отключение микропроцессорного комплекта второго порядка и систематизируется режим работы всего устройства. В режиме 2 (обнаружение токсинов и предупреждение об опасности) как только информация цифровой графики, поступившая извне, становится соответствующей эталонному численному цифровому значению, которое хранится в блоке памяти эталонов, моментально запускается систематика устройства для предупреждения и нейтрализации отравляющих веществ. Недостатки рассмотренного способа заключаются в том, что в устройстве для обнаружения используется набор селективных датчиков и расширение числа обнаруживаемых отравляющих веществ или токсинов требует добавления новых датчиков, чувствительных к этим веществам. Поскольку датчики оборудованы многослойными пластинами с нанесёнными на их поверхность активными химическими веществами, которые деформируются при воздействии на них паров токсинов и эта деформация преобразуется в электрический сигнал, то вернуть прибор в исходное (чистое) состояние после однократного срабатывания без замены датчиков становится затруднительно или невозможно в принципе. Такой подход может вызывать трудности при подготовке устройства к очередному включению.

Новый технический результат - обнаружение следовых концентраций веществ на уровне давления насыщенных паров и расширение области его применения за счет использования нового устройства для обнаружения и идентификации с его помощью взрывчатых, боевых отравляющих и наркотических веществ с точностью классификации более 85 %.

Для достижения нового технического результата по обнаружению и идентификации взрывчатых, боевых отравляющих и наркотических веществ, включающего определение совокупного газового паттерна, характерного для того или иного обнаруживаемого или идентифицируемого вещества, путем определения концентрации отдельных веществ в окружающем воздухе с помощью заявленного устройства на основании расчета величины выходного нейрона обученной искусственной нейронной сети, используется набор неселективных полупроводниковых газовых сенсоров и определяется степень похожести совокупного газового паттерна анализируемого воздуха на газовые паттерны с содержанием того или иного идентифицируемого химического вещества в разных концентрациях и не содержащие идентифицируемых веществ. Значение выходного нейрона по каждому отдельному взрывчатому, боевому отравляющему и наркотическому веществу формируются предварительно обученной на соответствующем наборе данных нейронной сетью, включающем 10 и более измерений в соотношении 50:50 - с присутствием и без целевого вещества на наборе концентраций из всего диапазона чувствительности прибора. Затем при измерениях обнаруживают и идентифицируют взрывчатые вещества при значениях величины первого выходного нейрона от 0,55 до 1, боевые отравляющие вещества при значениях второго выходного нейрона от 0,55 до 1, наркотические вещества при значениях третьего выходного нейрона от 0,55 до 1. Искусственная нейронная сеть осуществляется посредством обучения образцами воздуха при анализе проб с отсутствием и наличием взрывчатых, боевых отравляющих и наркотических веществ в концентрациях из всего диапазона чувствительности прибора путем определения степени схожести составного газового паттерна.

Для осуществления способа применяют устройство, схема которого приведена на фиг. 3.

Устройство включает микроконтроллер с аналого-цифровым преобразователем (1), осуществляющий управление узлами устройства, турбинный вентилятор (2) для создания проходящего воздушного потока, корпус (3) для размещения элементов устройства, набор из отдельных полупроводниковых неселективных серийно выпускаемых газовых датчиков, обладающих разной чувствительностью (4). Набор полупроводниковых газовых датчиков содержит не менее трёх неселективных полупроводниковых газовых датчиков, работающих в режиме термоциклирования.

Данные нейронной сети хранятся на карте памяти (5). Она устанавливается на модуле измерения сигналов и нейросетевой обработки данных (6). Одна нейронная сеть может устанавливаться и работать на множестве устройств.

В ходе работы микроконтроллер (1) извлекает из карты памяти (5) данные нейронной сети для необходимых расчетов, а также использует память как вычислительный буфер. Модуль отображения результатов (11), обеспечивает визуализацию сообщений по обнаруживаемым и идентифицируемым взрывчатым, боевым отравляющим и наркотическим веществам в окрестности устройства в реальном масштабе времени.

Питание устройства осуществляется через схему электропитания (10), которая позволяет работать устройству от сети или от аккумуляторной батареи с реализацией режима заряда батареи.

В устройстве предусмотрен непрерывный режим анализа воздушных смесей. Микроконтроллер (1) включает турбинный вентилятор (2), который создает поток воздуха в направлении от набора датчиков (4). В результате в корпусе устройства (3) возникает пониженное давление, воздух проходит через модуль измерения сигналов и нейросетевой обработки данных (6) в направлении турбинного вентилятора (2).

Постоянное давление, создаваемое турбинным вентилятором, обеспечивает одинаковый объем проходимого через корпус устройства воздушного потока в единицу времени. Аналоговые сигналы с набора датчиков (4) поступают через схему масштабирования сигналов (7) в микроконтроллер (1). Микроконтроллер (1), используя карту памяти (5) и данные нейронной сети, производит необходимые вычисления. После вычислений микроконтроллер (1) передает сформированную информацию на модуль отображения результатов (11) и цикл измерения сигналов и нейросетевой обработки данных повторяется снова. Процесс измерения сигналов с набора датчиков (4) осуществляется в непрерывно-периодическом режиме. Набор датчиков во время функционирования устройства может работать в режиме термоциклирования или постоянного нагрева, реализуемом схемой электропитания датчиков (8).

Перед использованием устройства для обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ необходимо сформировать нейронную сеть. Для этого проводится серия измерений необходимых газовых смесей с разными концентрациями, при отличающихся температурных условиях и в условиях наличия дополнительных загрязняющих газовых примесей. После этого нейронная сеть обучается на внешнем компьютере и значения коэффициентов обученной нейронной сети переносятся в карту памяти (5) через интерфейс связи устройства.

Для обеспечения единства условий измерения при отличающихся условиях внешней среды, необходимо определиться в какой среде устройство будет использоваться и в соответствии с этим провести калибровку набора датчиков (4) с помощью схемы калибровки датчиков (9). Данные о калибровке записываются в карту памяти (5) и используются устройством при включении и контроле загрязнения набора датчиков. При возникновении загрязнений также проводится процедура очистки.

Обучение нейронной сети и калибровка могут проводиться как для работы в режиме термоциклирования, так и для работы в режиме постоянного нагрева. В зависимости от требуемой точности и быстродействия работы устройства.

Процедура очистки перед использованием устройства проводится при большом отклонении сигналов с датчиков от калибровочных параметров. Для этого микроконтроллер включает турбинный вентилятор (2) на полную мощность и с помощью схемы электропитания датчиков (8) выводит набор датчиков (4) в режим постоянного нагрева. После достижения допустимого отклонения от калибровочного, устройство снова переводится в режим измерения сигналов и обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ.

Для классификации газовых смесей при обнаружении и идентификации взрывчатых, боевых отравляющих и наркотических веществ на вход нейронной сети, выполняющей расчеты в микроконтроллере (1), подаются дискретные значения цифровых сигналов с набора датчиков (4). Выходной слой искусственной нейронной сети - набор нейронов по количеству отдельных обнаруживаемых и идентифицируемых взрывчатых, боевых отравляющих и наркотических веществ или отдельных групп веществ, в котором каждый нейрон принимает значение в промежутке от «-1» до «1».

Для обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ применялось устройство по п. 4 (фиг. 3), содержащее двадцать четыре серийно выпускаемых металлооксидных полупроводниковых газовых датчика, обеспечивающих диапазон измеряемых концентраций компонентов газовой смеси 10 ppb - 100 ppm.

Предлагаемый способ включает предварительный анализ газовых смесей содержащих пары от взрывчатых, боевых отравляющих и наркотических веществ в разных концентрациях и газовых смесей без содержания этих паров путем измерения уровней сигналов напряжения на выходе набора полупроводниковых газовых датчиков, после чего на полученном наборе данных проводят обучение нейронной сети, и далее, при штатной работе устройства, обнаруживают и идентифицируют взрывчатые вещества при значениях величины первого выходного нейрона от 0,55 до 1, боевые отравляющие вещества при значениях второго выходного нейрона от 0,55 до 1, наркотические вещества при значениях третьего выходного нейрона от 0,55 до 1. Значения выходных нейронов по каждому отдельному веществу или группе веществ формируются предварительно обученной нейронной сетью на соответствующем наборе, включающем 10 измерений и более в соотношении 50:50 - с присутствием и без паров целевого вещества на наборе концентраций из всего диапазона чувствительности прибора.

Согласно заявленному способу величину выходного нейрона обученной искусственной нейронной сети оценивают по формуле

,

где: w_i - синоптические веса обученной нейронной сети, x_i - вектор входных значений от полупроводниковых неселективных датчиков, h - порог разделения положительного и отрицательного сигнала выходного нейрона, σ - функция активации нейронов.

Предлагаемый способ и устройство для его осуществления основаны на анализе результатов экспериментальных исследований:

Пример 1. Были проведены исследования для определения совокупных газовых паттернов (маркеров) для обнаружения и идентификации взрывчатых веществ

При проведении исследований получено и оцифровано с помощью устройства 10 проб воздуха с веществом «1-Нитроглицерин» и 10 проб с веществом. «2-Нитрат аммония» Использовалась нейронная сеть типа двухслойный персептрон с архитектурой 238-238-1, обучение проводилось алгоритмом обратного распространения ошибки при скорости 0,1 на 10000 эпох обучения. Передаточная функция нейрона на всех слоях одинакова - гиперболический тангенс. В качестве массива входных данных для нейронной сети использовались соотношения 7 периода измерения пробы воздуха с взрывчатым веществом к 1 периоду измерения пробы воздуха без взрывчатого вещества (т.н. нулевая проба).

На фиг. 1 представлена диаграмма распределения проб при классификации двух веществ. Диаграмма распределения является итогом проведения перекрестной проверки, которая состояла из следующих шагов:

1) Все 20 полученных проб делятся на 5 групп по 4 пробы в каждой.

2) Выбирается одна из групп, состоящая из 4 проб. Эти 4 пробы исключаются из 20, затем на оставшихся пробах происходит обучение нейронной сети.

3) Полученная нейронная сеть классифицирует 4 пробы группы, которые не участвовали в обучении.

4) Полученные данные заносятся в диаграмму распределения проб.

5) Шаги со 2 по 4 повторяются для всех оставшихся 4 групп проб воздуха.

На диаграмме распределения проб (фиг. 1) маркеры ромбы - вещество «1- Нитроглицерин», маркеры квадраты - вещество «2-Нитрат аммония». По оси абсцисс откладывается значение порядкового номера отдельной пробы воздуха, участвующей в перекрёстной проверке, т.е. эти пробы для обучения нейронной сети не используются, а применяются исключительно для проверки работы классификатора. Правильно заданный исходный режим работы классификатора предполагает, если для каждой пробы значение выходного нейрона находится выше нуля до (+1), значит, нейронная сеть должна классифицировала пробу как вещество «2», если ниже до (-1) - как вещество «1». Для всех контрольных проб с веществами «1» и «2» классифицируемых нейронной сетью, в случаях, если значение выходного нейрона для пробы определено, как не соответствующее заданному диапазону правильной работы классификатора, являются ошибкой его работы. Принадлежность вещества конкретной численной характеристике значений выходного нейрона определяется на этапе обучения нейронной сети.

Из диаграммы (фиг. 1) можно сделать вывод, что все пробы в ходе перекрёстной проверки были классифицированы верно, за исключением двух: «2_0014» и «1_0007». При этом на графике кривой ошибок (фиг. 2) представлена ROC - кривая, определяющая качество бинарного классификатора.

Численной характеристикой качества обучения нейронной сети является площадь под ROC-кривой. Чем ближе она к 0,5 - тем хуже качество, поскольку 0,5 - это случайное распределение. За 1 принято значение идеального классификатора. В данном исследовании площадь под кривой составила 0,93, что является высоким уровнем достигнутого качества бинарной классификации для обнаружения и идентификации взрывчатых веществ.

В исследовании по обнаружению и идентификации взрывчатых веществ применялось устройство по п. 4 формулы (фиг. 3), содержащее 24 серийно выпускаемых металлооксидных полупроводниковых газовых датчика, обеспечивающих измерение концентраций компонентов газовой смеси в диапазоне 10 ppb - 100 ppm.

Результаты перекрестной проверки для наборов данных, состоящих из 10 проб воздуха с веществом «1- Нитроглицерин» и 10 проб с веществом, «2-Нитрат аммония» представлены на фиг. 1 и 2. Точность составила 90 %, чувствительность 90 % (1 проба с нитратом аммония классифицирована неверно) и специфичность 90 % (1 проба с нитроглицерином классифицирована неверно).

Пример 2. Для поиска контрольных интервалов, указывающих на вероятность наличия наркотических или боевых отравляющих веществ, были исследованы газовые паттерны характерные для набора целевых веществ.

В исследовании по обнаружению и идентификации наркотических и боевых отравляющих веществ применялось устройство по п. 4 формулы (фиг. 3), содержащее 24 серийно выпускаемых металлооксидных полупроводниковых газовых датчика, обеспечивающих измерение концентраций компонентов газовой смеси в диапазоне 10 ppb - 100 ppm.

В ходе исследования взяты 96 проб воздуха, содержащие пары наркотических веществ - морфия и кетамина, а также боевых отравляющих веществ: багульника и хлора.

Распределение по количеству всего набора проб следующее:

1 - 17 проб морфия,

2 - 19 проб кетамина,

3 - 36 проб багульника,

4 - 24 пробы хлора.

Отбор проб воздуха у веществ, находящихся в жидкой фазе выполнялся путем смачивания куска ваты. Образцы веществ, находящихся в твердом состоянии (3-4) сначала смачивались водой, затем в этом растворе смачивалась вата. После этого кусок ваты помещался в специальный контейнер для отбора проб воздуха. Время отбора воздуха из контейнера во всех случаях составляло 4 секунды.

Оцифрованная проба включала набор метаданных о характеристиках измерительных каналов, а также непосредственно массив данных из 24 столбцов значений сигналов. Оцифровка сигналов с датчиков производилась с частотой 10 Гц. Все записи содержали специальные метки, указывающие на номер периода термоциклирования от 0 до 10, а также статус режима термоциклирования при проведении измерений. Массив данных после оцифровки сигналов с датчиков подготавливался для обработки нейронной сетью следующим образом:

1) Оцифрованные значения по каждому из 24 сигналов с восьмого периода делились на значения с первого периода.

2) Полученные значения умножались на нормирующий коэффициент, равный 1000.

3) В результате массиву значений сигналов с датчиков присваивалась метка классовой принадлежности.

Всего 4 класса принадлежности формировались следующим образом:

Кетамин - Морфий - Багульник - Хлор.

Например, метка принадлежности для пробы хлора:

0 0 0 1

Или для морфия:

0 1 0 0

Таким образом, сформировано 96 наборов данных (массивов) с метками классовой принадлежности.

Затем проводилась перекрестная проверка:

1) Все 96 наборов данных (массив значений с датчиков + метка принадлежности) делились на 8 групп.

2) Производилось тренировка нейронной сети на основе данных 7 групп.

3) Полученная нейронная сеть классифицировала наборы одной тестовой группы, не участвовавшей в обучении.

4) Шаги 2-4 повторялись до тех пор, пока каждый из 8 наборов данных не был использован в качестве тестового набора при проведении всего цикла проверок.

В результате получилось 96 пар значений для каждой пробы: фактическое значение и прогноз классификатора. Например:

0 0 1 0 0.081 0.312 0.876 0.001

На примере по пробе воздуха фактическое значение - багульник, полученный результат от классификатора следующий:

87.6 % - багульник;

31.2 % - морфий;

15.7 % - кетамин;

0.1 % - хлор.

Итоговая сумма может быть больше 100 %, поскольку проценты отражают абсолютный прогноз принадлежности к классу, а не относительный между классами веществ. В результате выполнения перекрестной проверки итоговая точность классификатора составила 96 %.

Изобретение предназначено для решения задач постоянного отбора проб в автоматическом режиме и высокоскоростной обработки данных с выявлением признаков взрывчатых, боевых отравляющих и наркотических веществ в отбираемом воздухе. Для обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ осуществляют отбор проб окружающего воздуха с последующим измерением откликов сигналов с набора полупроводниковых газовых датчиков. Производят обработку данных искусственной нейронной сетью и настройку на широкий набор определимых веществ. Вероятность наличия конкретного взрывчатого, боевого отравляющего и наркотического вещества определяют на основании расчета величины выходного нейрона обученной искусственной нейронной сети. Значения по каждому отдельному типу вещества формируют предварительно обученной нейронной сетью на соответствующем обучающем наборе проб воздуха числом 100 и более в соотношении 50:50 с наличием определяемого вещества в диапазоне концентраций чувствительности устройства и без него, идентифицирующей конкретное вещество путем определения степени схожести газового паттерна обследуемого воздуха с газовыми паттернами веществ обучающего набора искусственной нейронной сети. При значениях величины выходного нейрона от 0,55 до 1 обнаруживают и идентифицируют отдельное взрывчатое, боевое отравляющее или наркотическое вещество. Обработку полученных данных осуществляют предварительно обученной нейронной сетью, идентифицирующей вещество путем определения степени схожести сигналов газового паттерна обследуемой пробы воздуха с сигналами газовых паттернов обучающего набора искусственной нейронной сети. Настройку на дополнительно определяемое вещество осуществляют путем обучения и добавления новой нейронной сети. Оценивают величину выходного нейрона обученной искусственной нейронной сети по формуле

,

где: w_i - синоптические веса обученной нейронной сети, x_i - вектор входных значений от полупроводниковых неселективных датчиков, h - порог разделения положительного и отрицательного сигнала выходного нейрона, σ - функция активации нейронов. Устройство обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ состоит из корпуса, модуля измерения сигналов и нейросетевой обработки данных, вентилятора и модуля отображения результатов. Модуль измерения и нейросетевой обработки данных содержит набор из не менее трех серийно выпускаемых полупроводниковых неселективных газовых датчиков, обладающих разной чувствительностью и работающих в режиме термоциклирования, и микроконтроллер для обеспечения алгоритма нейросетевой обработки данных в реальном масштабе времени при оценке величины выходного нейрона предварительно обученной искусственной нейронной сети по формуле

,

где: w_i - синоптические веса обученной нейронной сети, x_i - вектор входных значений от полупроводниковых неселективных датчиков, h - порог разделения положительного и отрицательного сигнала выходного нейрона, σ - функция активации нейронов. Технический результат - обнаружение следовых концентраций веществ на уровне давления насыщенных паров. 2 н.п. ф-лы, 3 ил., 2 пр.

1. Способ обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ, включающий отбор проб окружающего воздуха с последующим измерением откликов сигналов с набора полупроводниковых газовых датчиков, обработку данных искусственной нейронной сетью и настройку на широкий набор определимых веществ, отличающийся тем, что вероятность наличия конкретного взрывчатого, боевого отравляющего и наркотического вещества определяют на основании расчета величины выходного нейрона обученной искусственной нейронной сети, значения которого по каждому отдельному типу вещества формируют предварительно обученной нейронной сетью на соответствующем обучающем наборе проб воздуха, числом 100 и более в соотношении 50:50 с наличием определяемого вещества в диапазоне концентраций чувствительности устройства и без него, идентифицирующей конкретное вещество путем определения степени схожести газового паттерна обследуемого воздуха с газовыми паттернами веществ обучающего набора искусственной нейронной сети, и при значениях величины выходного нейрона от 0,55 до 1 обнаруживают и идентифицируют отдельное взрывчатое, боевое отравляющее или наркотическое вещество, при этом обработку полученных данных осуществляют предварительно обученной нейронной сетью, идентифицирующей вещество путем определения степени схожести сигналов газового паттерна обследуемой пробы воздуха с сигналами газовых паттернов обучающего набора искусственной нейронной сети, а настройку на дополнительно определяемое вещество осуществляют путем обучения и добавления новой нейронной сети, и оценивают величину выходного нейрона обученной искусственной нейронной сети по формуле

,

где: w_i - синоптические веса обученной нейронной сети, x_i - вектор входных значений от полупроводниковых неселективных датчиков, h - порог разделения положительного и отрицательного сигнала выходного нейрона, σ - функция активации нейронов.

2. Устройство обнаружения и идентификации взрывчатых, боевых отравляющих и наркотических веществ, состоящее из корпуса, модуля измерения сигналов и нейросетевой обработки данных, вентилятора и модуля отображения результатов, отличающееся тем, что модуль измерения и нейросетевой обработки данных содержит набор, содержащий не менее трех серийно выпускаемых полупроводниковых неселективных газовых датчиков, обладающих разной чувствительностью и работающих в режиме термоциклирования, и микроконтроллер для обеспечения алгоритма нейросетевой обработки данных в реальном масштабе времени при оценке величины выходного нейрона предварительно обученной искусственной нейронной сети по формуле

,

где: w_i - синоптические веса обученной нейронной сети, x_i - вектор входных значений от полупроводниковых неселективных датчиков, h - порог разделения положительного и отрицательного сигнала выходного нейрона, σ - функция активации нейронов.