Введение
1. Существующие методы построения систем преобразования информационных параметров в спектральном анализе, их проблемы и перспективы промышленного применения 8
1.1 Анализ источников получения спектров 8
1.2 Анализ методик выполнения косвенных измерений и определения количественного состава материалов 21
1.3 Способы построения градуировочных графиков 26
1.4 Анализ погрешностей автоматизированных систем аэса и метрологическое обеспечение спектральных измерений 33
1.5 Выводы 41
2. Разработка блока обработки данных факторов, влияющих на точность результатов аэса 43
2.1 Исследование факторов влияющих на результаты измерения интенсивностей при спектральном анализе материалов 43
2.2 Устройства контроля влияющих факторов 51
2.3 Визуальный контроль, обработка данных и корректировка влияний 55
2.4 Экспертная система анализа влияний 57
2.5 Выводы 59
3. Совершенствование устойчивой многопараметровой модели обработки спектрометрической информации 60
3.1 Многопараметровая модель обработки факторов, влияющих на точность результатов аэса 60
3.2 Определение оптимального количества аналитических линий и линий сравнения, анализируемых в спектре. 69
3.3 Экспериментальное испытание модели на методике «свинцовые баббиты» 70
3.4 Выводы 77
4. Разработка программного комплекса устойчивого градуирования приборов спектрального анализа материалов «spectron» 78
4.1 Исследование структуры информационного обеспечения аэса 79
4.2 Разработка структуры данных и форм программного комплекса устойчивого градуирования «spectron» 86
4.3 Разработка алгоритма калибровки системы с использованием многопараметровой модели обработки влияющих факторов 91
4.4 Выводы 93
5. Методика автоматического распознавания марок неизвестных материалов . 95
5.1 Задача распознавания марок неизвестных материалов 95
5.2 Решение задачи классификации материалов с помощью искусственных нейронных сетей 97
5.2.1 Сбор данных для обучения нейронной сети 100
5.2.2 Выбор архитектуры нейронной сети 103
5.2.3 Экспериментальный подбор характеристик нейронной сети 104
5.2.4 Экспериментальный подбор параметров обучения нейронной сети 105
5.2.5 Обучение нейронной сети 106
5.2.6 Проверка адекватности обучения нейронной сети 107
5.3 Алгоритм автоматического распознавания марок неизвестных материалов 108
5.4. Экспериментальная проверка методики распознавания марок неизвестных
материалов 113
5.5 Выводы 114
Заключение 115
Библиографический список 116
