| dc.contributor |
Díaz Cruz, José Manuel |
|
| dc.creator |
Rosselló Busquet, Ana |
|
| dc.date |
2017-06-12T14:24:54Z |
|
| dc.date |
2017-06-12T14:24:54Z |
|
| dc.date |
2017-03 |
|
| dc.date.accessioned |
2024-12-16T10:24:28Z |
|
| dc.date.available |
2024-12-16T10:24:28Z |
|
| dc.identifier |
http://hdl.handle.net/2445/112270 |
|
| dc.identifier.uri |
http://fima-docencia.ub.edu:8080/xmlui/handle/123456789/17732 |
|
| dc.description |
Treballs Finals de Grau de Farmàcia, Facultat de Farmàcia, Universitat de Barcelona, 2017. Tutor: José Manuel Díaz Cruz |
|
| dc.description |
[en] Heavy metals are substances found in the environment that can come from both natural and anthropogenic sources. There is an increasing interest in analytical methods with high selectivity and sensitivity to perform environmental monitoring to detect adulterations or contamination. Electronic tongues are especially interesting as they can respond to a large variety of substances. This report presents the developed MATLAB software used to calculate the concentration of certain substances using data from a voltammetric electronic tongue with four sensors to determine concentration of six metal ions using Artificial Neural Networks. Different ANN configurations have been tested; where the parameters have been changed, such as learning algorithm, transfer function and number of hidden layers/neurons. Furthermore, the input of the ANN has been preprocessed.
A MATLAB function has been developed to remove the baseline and another to compress the signal
with Discrete Wavelet Transforms. In order to find the best baseline removal and compression configuration
different set-ups varying the possible parameters have been tested. The results obtained in this first part of the project are favourable as the baseline has been successfully removed and the data hve been compressed from 420 samples to 95 coefficients. The results obtained for ANN prove that more number of hidden layers or neurons/layer does not imply a better performance. Better results are obtained with 2 hidden layers and 5-2 neurons. Even thought during the training of the ANN good values are obtained, when the network is feed with other testing data the results are less accurate. |
|
| dc.description |
[ca] Els metalls pesant són substàncies que es troben en el medi i poden provenir de fonts naturals o
antropogèniques. Els mètodes d'anàlisi amb alta selectivitat i sensibilitat són d'interès per dur a terme la
vigilància ambiental, detectar adulteracions o contaminació. Les llengües electròniques són interessants ja que poden respondre a una gran varietat de substàncies. En aquest treball s'ha fet un programa en MATLAB per calcular la concentració de certes substàncies utilitzant dades d'una llengua electrònica formada per quatre sensors per determinar la concentració de sis ions metàl·lics usant xarxes neuronals artificials. S'han provat diferents configuracions; on s'han variat els paràmetres de la ANN, i.e algoritme d'aprenentatge, funció de transferència i el nombre de capes ocultes/neurones. A més, el senyal d'entrada de l'ANN ha estat preprocessat.
S' ha desenvolupat una funció MATLAB per eliminar la línia base i un altre per comprimir el senyal
amb Wavelet Discret Transform. Per tal de trobar la millor eliminació de la línia base i la configuració de
compressió s'han variat els possibles paràmetres. Els resultats obtinguts en aquesta primera part del projecte són favorables; la línia base s'ha eliminat amb èxit i les dades s'han comprimit de 420 mostres a 95 coeficients.
Els resultats obtinguts per a ANN demostren que un major nombre de capes o neurones ocultes/capa no implica un millor rendiment. S'obtenen millors resultats amb 2 capes ocultes i entre 5-2 neurones. Encara que s'obtenen valors favorables durant l'entrenament de l'ANN, quan la xarxa és alimentada amb altres dades, els resultats no són tan precisos. |
|
| dc.format |
34 p. |
|
| dc.format |
application/pdf |
|
| dc.language |
eng |
|
| dc.rights |
cc-by-nc-nd (c) Rosselló Busquet, 2017 |
|
| dc.rights |
http://creativecommons.org/licenses/by-nc-nd/3.0/es |
|
| dc.rights |
info:eu-repo/semantics/openAccess |
|
| dc.source |
Treballs Finals de Grau (TFG) - Farmàcia |
|
| dc.subject |
Metalls pesants |
|
| dc.subject |
Química analítica |
|
| dc.subject |
Xarxes neuronals (Informàtica) |
|
| dc.subject |
Treballs de fi de grau |
|
| dc.subject |
Heavy metals |
|
| dc.subject |
Analytical chemistry |
|
| dc.subject |
Neural networks (Computer science) |
|
| dc.subject |
Bachelor's theses |
|
| dc.title |
Electronic tongues multivariate calibration for the analysis of metals |
|
| dc.type |
info:eu-repo/semantics/bachelorThesis |
|