یک زیست حسگر الکتروشیمیایی هوشمند مبتنی بر روش های یادگیری ماشین بهینه برای اندازه گیری آلودگی نیترات در آب abstract
در طول دو دهه گذشته، زیست حسگرهای آنزیمی فراوانی برای تشخیص اختصاصی و انتخابی نیترات معرفی شده اند. این زیست حسگرها عموما از واکنش اکسایش-کاهش نیترات به نیتریت برای اندازه گیری نیترات بهره می گیرند. از آنجا که فعالیت
آنزیم مورد استفاده در ساختار زیست حسگر با گذشت زمان کاهش می یابد، کاربر زیست حسگر بایستی
آنزیم تثبیت شده بر روی الکترود کار را به طور مکرر جایگزین کند، که هزینه های تشخیص را افزایش داده و قابلیت تجاری سازی آنها را محدود می کند. در این مطالعه، از شبکه های عصبی مصنوعی برای پیش بینی غلظت نیترات در نمونه ها با در نظر گرفتن
داده های الکتروشیمیایی و کاهش فعالیت
آنزیم در طول زمان استفاده شده است.
الگوریتم شاهین هریس به عنوان یک روش بهینه سازی فراابتکاری مبتنی بر
هوش جمعیتی برای بهینه سازی پارامترهای وزن و بایاس شبکه های عصبی مصنوعی مورد استفاده در واحد تصمیم گیری زیست حسگر استفاده شد. این مطالعه نشان داد که الگوریتم یادگیری بهینه شده با الگوریتم فراابتکاری منجر به پیش بینی امیدوارکننده غلظت نیترات در سطح میکرومولار با ضریب تبیین (R۲) در حدود ۰/۹۵ شد. علاوه بر این، زیست حسگر معرفی شده توانایی استفاده تا ۳۰ روز پس از تثبیت
آنزیم را داشت. مقایسه میان یافته های این مطالعه و مطالعات قبلی که از ماشین های بردار پشتیبان و سیستم های استنتاج فازی استفاده می کردند، نشان داد که شبکه های بهینه سازی شده با تکنیک های جدید فراابتکاری می توانند نتایج پیش بینی قابل اعتمادی تری ارائه دهند