УДК 620.179.18

ИДЕНТИФИКАЦИЯ ОПАСНЫХ ЖИДКОСТЕЙ С ПОМОЩЬЮ

МИКРОВОЛНОВЫХ СИСТЕМ И ИЗВЕСТНЫХ АЛГОРИТМОВ

КЛАССИФИКАЦИИ

¹Университет Тракия, Эдирне, Турция

^*E-mail: gurkantuna@trakya.edu.tr

Поступила в редакцию 26.05.2020; после доработки 09.06.2020

Принята к публикации 11.06.2020

В последнее время наблюдается увеличение числа террористических атак, осуществляемых с использованием жид-

ких взрывчатых веществ, что привело к важности разработки быстрых и надежных методов, позволяющих различать

неопасные жидкости и жидкости, которые используются в этих взрывчатых веществах. Поскольку стабильность и чув-

ствительность микроволновых систем высоки, диапазон СВЧ-частот является предпочтительным, чтобы различить

опасные жидкости от неопасных. В данной работе для разработки классификационного подхода, который можно исполь-

зовать в жидкостных сканерах, предлагается бесконтактная система, основанная на измерениях вторичного электромаг-

нитного поля жидкостей в микроволновом диапазоне частот. Наивный байесовский анализ, линейный дискриминантный

анализ, качественный анализ данных, метод опорных векторов, последовательная минимальная оптимизация, алгорит-

мы классификации K-ближайших соседей используются для классификации жидкостей, а эффективность их классифи-

кации подвергается анализу. Результаты ряда классификационных экспериментов подтверждают применимость пред-

ложенного метода измерения. Как показывают результаты, метод K-ближайших соседей является наиболее подходящим

алгоритмом классификации для распознавания опасных жидкостей. Поскольку его можно легко реализовать и процесс

является быстрым, система классификации, основанная на предлагаемом подходе, может быть очень полезна в аэро-

портах и торговых центрах.

Ключевые слова: опасные жидкости, микроволны, классификация, алгоритмы классификации, эффективность.

DOI: 10.31857/S0130308220090067

1. ВВЕДЕНИЕ

Многие исследователи изучали влияние промышленных отходов и опасных веществ на окру-

жающую среду и здоровье человека. Воздействие опасных веществ проявляется во многих сферах,

таких как здравоохранение, безопасность, военное дело и промышленность. Жидкости, которые

легко доступны в повседневной жизни, также являются угрозой безопасности человека и окружа-

ющей среды. Они особенно предпочтительны для террористических атак в таких местах, как аэро-

порты, вокзалы, остановки транспорта, политические митинги, торговые центры, концерты и

другие культурные мероприятия, где присутствуют тысячи людей. Таким образом, должны обяза-

тельно проводиться работы по распознаванию опасных жидкостей для предотвращения террори-

стических атак.

В последние годы в связи с ростом числа террористических атак некоторые авторы исследо-

вали способы обнаружения опасных веществ и незаконных предметов, а также проанализирова-

ли существующие системы, связанные с ними методы, их преимущества и недостатки. В резуль-

тате, было создана общая картина того, что можно сделать для предотвращения угроз атак [1].

Основным направлением этих исследований была разработка систем, которые могут автомати-

чески обнаруживать взрывчатое вещество без оператора. Таким образом, за последние несколь-

ко лет был достигнут значительный прогресс в разработке систем рентгеновской визуализации

для обнаружения взрывчатых веществ. Как и системы рентгеновской визуализации, было тща-

тельно изучено использование ядерного квадрупольного резонанса (ЯКР) для обнаружения

взрывчатых веществ [2,3]. ЯКР является спектроскопическим методом, который может обнару-

живать взрывчатые вещества с высокой химической специфичностью [2]. Метод ядерного маг-

нитного резонанса (ЯМР) использовался для исследования и классификации содержимых жид-

костей в закрытых неметаллических контейнерах [4]. Для обнаружения жидких взрывчатых

веществ была также предложена методика магнитно-резонансной томографии в ультраслабом

поле [5].

В литературе для обнаружения взрывчатых веществ было предложено использовать различные

методы, включая ядерный магнитный резонанс и рентген [6, 7]. Среди этих методов наиболее

часто используемыми являются рентгеновские системы [7]. Рентгеновские системы также были

Идентификация опасных жидкостей с помощью микроволновых систем...

предложены для анализа неизвестных твердых образцов, которые могут содержать взрывчатые

вещества, и анализа взрывчатых веществ на основе пероксида [8]. Наряду с ядерным магнитным

резонансом и рентгеновским излучением, обнаружение и идентификацию жидкости можно прово-

дить с помощью ТГц-спектроскопии во временной области [9]. Однако, хотя с помощью этих под-

ходов очень легко обнаруживать определенные пероксидные соединения, они не могут различать

многие типы жидкостей, используемых в повседневной жизни. Следовательно, существует необ-

ходимость в системе для распознавания этих жидкостей [6].

Микроволновые методы измерения широко используются для различных целей в нескольких

областях, связанных с промышленностью и безопасностью. Например, эти методы были при-

менены для снижения воздействия промышленных отходов и опасных материалов на окружаю-

щую среду, и были получены удовлетворительные результаты [10, 11]. Они также использова-

лись для стабилизации ила [11]. Кроме того, было предложено использовать методы измерения

коаксиальным зондом, которые являются одним из методов микроволновых измерений для

обнаружения дефектов биопленки и проблем утонения стенок [12]. Распространение микроволн

в жидкостях существенно отличается от их распространения в воздухе. В то же время, завися-

щие от частоты скорости и ослабления микроволн варьируются от жидкости к жидкости, в зави-

симости от ее молекулярного состава. Как известно, комплексные коэффициенты проницаемо-

сти и отражения и пропускания жидкостей различны. Полосы частот СВЧ и миллиметровых

волн можно использовать для определения комплексных коэффициентов проницаемости, отра-

жения и пропускания как твердых тел, так и жидкостей [13]. Для расчета относительной магнит-

ной проницаемости материалов представлена формула, оптимизированная по алгоритму искус-

ственной пчелиной колонии (ИПК) [14]. Они также могут быть использованы для определения

других свойств, таких как химическая концентрация, содержание живых организмов и влаж-

ность [15], а так же для характеристики жидкостей. Определение параметров материала важно

не только для приложений, связанных с безопасностью, но также для исследований и примене-

ний в пищевой, медицинской, биотехнической, строительной, медицинской и военной областях

[15, 16]. Это также применяется для расчета проницаемости жидкостей, коэффициента отраже-

ния S₁₁ и коэффициента пропускания S₂₁ [17, 18]. Хотя векторной сетевой анализатор и может

обеспечить измерение фазы и величины в широком диапазоне микроволновых частот, он очень

дорогой. Поэтому некоторые исследователи предпочитают модельные исследования [16].

В последнее десятилетие методы машинного обучения использовались для различных

целей, таких как прогнозирование прочности бетона на сжатие [19], диагностика рака и забо-

леваний щитовидной железы [20, 21], классификация лекарств в соответствии с их концентра-

цией молока/плазмы [22], автоматическая классификация хороших и бракованных сельскохо-

зяйственных продуктов и сырья, таких как рис, кофе и зеленый чай [23], классификация бен-

зина [24] и оценка ботанического и географического происхождения меда [24]. В отличие от

других применений и целей методов машинного обучения, в этом исследовании различные

алгоритмы машинного обучения используются для классификации жидкостей на основе изме-

рений S-параметров. Остальная часть этой статьи выглядит следующим образом. Методология

и экспериментальная установка, используемые в этой статье, представлены во втором разделе.

Алгоритмы классификации, используемые в этой статье, и метрики, используемые при оценке

эффективности, также представлены в этом разделе. В третьем разделе представлены резуль-

таты исследования оценки эффективности. Наконец, заключение к данной статье находится в

четвертом разделе.

2. ЭКСПЕРИМЕНТАЛЬНАЯ УСТАНОВКА И МЕТОДОЛОГИЯ ЭКСПЕРИМЕНТА

Различные методы измерения могут быть использованы для определения диэлектрических

свойств материалов. Агрегатное состояние материала (газ, жидкость или твердое), частотный

диапазон и температура (высокая или низкая) являются важными факторами при выборе наи-

более подходящего метода измерения [26]. При коаксиальном зондовом методе электромагнит-

ная волна проникает в жидкость с минимальным отражением [27]. Хотя метод коаксиального

зонда может использоваться для измерений жидкостей, обычно это не практично, а иногда и

опасно погружать что-либо в опасные жидкости или даже открывать крышку. С другой стороны,

бесконтактная измерительная платформа, используемая в этом исследовании, позволяет прово-

дить измерения, не открывая крышку жидкости и не погружая ничего в жидкость.

Экспериментальная установка, использованная в этом исследовании для классификации жидко-

Дефектоскопия

№ 9

2020

Идентификация опасных жидкостей с помощью микроволновых систем...

Диаметр антенны рассчитывался по уравнениям:

8,791x⋅10

;

(1)







(2)

1+









πF





πε

+1,7726





















 

где ε_r — относительная диэлектрическая проницаемость подложки, f_r — резонансная частота,

h — высота подложки, a — радиус лепестка.

Ход работы выглядел следующим образом. Коэффициент отражения электромагнитных

волн от жидкостей измерялся при соблюдении расстояния между антенной и бутылкой при-

мерно 5 мм. Затем была создана база данных по значениям для каждой жидкости. Набор дан-

ных в этой базе данных впоследствии использовался для классификации жидкостей. Таким

образом, правильный ход алгоритмов при классификации жидкостей, найденных в базе дан-

ных, был проверен в процессе распознавания. Чтобы проверить успешность алгоритмов, была

проведена 10-кратная перекрестная проверка и 5-кратная перекрестная проверка. Затем

эффективность алгоритмов классификации была проанализирована с использованием различ-

ных показателей. Описанная методология показана на рис. 4.

Измерение

S-параметры

База данных

Алгоритмы классификации

Применение

Перекрестная проверка

обучающего набора

(10- и 5-кратная)

Анализ эффективности

Опасная

или

неопасная

Рис. 4. Предложенная методология измерений.

Дефектоскопия

№ 9

2020

Эбру Эфеоглу, Гуркан Туна

2.1. Алгоритмы классификации и показатели эффективности

Машинное обучение используется для создания модели на основе существующих данных с

использованием математических и статистических методов и для определения к какому классу

относятся новые данные с максимально возможной точностью, используя эту модель. В этом

исследовании в качестве классификаторов использовались наивный байесовский анализ, линей-

ный дискриминантный анализ (ЛДА), качественный анализ данных (КАД), метод опорных векто-

ров (МОВ), последовательная минимальная оптимизация (ПМО) и метод K-ближайших соседей

(МКБС). Для оценки эффективности каждого классификатора были созданы матрицы неточно-

стей.

Метод K-кратной перекрестной проверки был предпочтительным для оценки эффективности

предложенной системы и алгоритмов классификации. Метод K-кратной перекрестной проверки

разделяет набор данных на обучающие и тестовые наборы, чтобы избежать возможного переобу-

чения и понять, как модель работает с набором данных, которые она не видела ранее. Потому что

в задаче о переобучении модель дает хорошие результаты для обработанного набора данных, но

делает неудачные прогнозы для новых наборов данных, которые она никогда не видела. Метод

K-кратной перекрестной проверки делит обучающие данные на случайные K сегментов. K-1

используется для обучения, 1 часть используется для тестового набора, и K повторяется в этот раз.

Значения, полученные в каждом раунде, суммируются, и оценивается эффективность модели.

Число K обычно составляет 10 или 5 как в данной работе. Несколько показателей должны исполь-

зоваться для оценки того, насколько хорошо классификатор работает в процесса классификации.

В этом исследовании коэффициент Каппа, СКО, матрица неточностей и точность используются

для оценки эффективности алгоритмов классификации.

Коэффициент Kaппa. Это значение используется для измерения соответствия между прогно-

зируемым и наблюдаемым распределениями в группе данных. Расчет значения каппа приведен в

(5). P(a) обозначает точность алгоритма, а P (e) представляет собой средневзвешенную величину

ожидаемой точности алгоритма, по которому производится расчет на одном и том же наборе дан-

ных. Значение Каппа находится в диапазоне от -1 до 1. -1 означает полное несоответствие, то есть

обратное соотношение, а 1 означает идеальное соответствие. Чем ближе значение к 1, тем больше

соответствие и тем меньше разброс. Интерпретация значении коэффициента Каппа приведена

в табл. 1.

Таблица

Величина коэффициента Каппа

Примечание

Несоответствие

0,0—0,20

Слабое соответствие

0,21—0,40

Среднее соответствие

0,41—0,60

Среднее соответствие

0,61—0,80

Сильное соответствие

0,81—1

Почти полное соответствие

P a)-

P(e

(3)

1−

P e)

Среднеквадратическое отклонение (СКО). Он используется для масштабирования различий

между фактическими и прогнозными значениями. Он определяется путем извлечения квадратного

корня из среднеквадратической ошибки, как указано в (4). P представляет собой расчетные значе-

ния, а — истинные значения. Когда значение СКО приближается к нулю, увеличивается правиль-

ная оценка классификатора:

−

)

+… +

−

)

СКО =

(4)

Дефектоскопия

№ 9

2020

Идентификация опасных жидкостей с помощью микроволновых систем...

Матрица неточностей. Матрица неточностей содержит информацию о расчетных и истинных

группах, составленных системой классификации. Диагональные элементы матрицы дают правиль-

ное количество классифицированных объектов.

Точность. Самый популярный и простой метод измерения эффективности модели — это точ-

ность модели. Точность, приведенная в (5), показывает количество образцов, правильно распоз-

нанных из всех образцов:

Истинно положительное + Истинно отрицательное

Точность =

(5)

Количество значений

3. ОЦЕНКА ЭФФЕКТИВНОСТИ

Для оценки эффективности была использована экспериментальная установка, описанная в

разделе 2, для распознавания набора из 36 жидкостей. В табл. 2 приведен набор из 36 жидкостей,

используемых экспериментальной установкой в данном исследовании, 12 из которых являются

опасными, а 24 — неопасными и используются в повседневной жизни. Эти жидкости включают

Таблица

Исследуемые жидкости

Опасные жидкости

Неопасные жидкости

Этанол

1-пропанол

Персиковый сок

Шалгам

Ракия

Кола

Толуол

Метанол

Гель для душа

Шампунь

Шампанское

Чай

Бутанол

Ацетон

Пиво

Вода

Текила

Абрикосовый сок

Кокосовое

Октанол

Одеколон

Гель для волос

Пахта

Виски

молоко

Уксусная

Растворитель

Кетчуп

Джин

Водка

Уксус

кислота

Кондиционер для

Бензин

Изопропанол

Ликер

Молоко

Розовый сок

волос

алкогольные напитки. В измерениях лучше использовать тонкую пластиковая бутылка объемом

0,5 л, которая имеет низкую отражательную способность и часто используется в повседневной

жизни. Количество анализируемой жидкости должно быть примерно 7 см. Для единства измере-

ний при одной и той же комнатной температуре во всех измерениях используется одна и та же

бутылка. Результаты показаны на рис. 5. В этом исследовании, как указано в табл. 3, в зависимо-

сти от опасности для здоровья и свойств воспламенения для жидкостей указаны оценкой

Толуол

Бензин

Отражение, дБ

Уксусная кислота

Ракия

Вода

Растворитель

1-пропанол

Октанол

Пиво

Шампунь

-2

Джин

Виски

–2

Пахта

Гель для душа

-4

Кетчуп

Текила

-4

Шалгам

-6

Розовый сок

Гель для волос

Кондиционер

для волос

Одеколон

-8

Водка

-6

Метанол

Молоко

Этанол

-10

Кокосовое молоко

-8

Ацетон

Кола

Холодный чай

-12

Персиковый сок

Ликер

-10

Изопропанол

Шампанское

-14

Бутанол

Абрикосовый сок

Уксус

-12

-16

1,42

1,44

1,46

1,48

1,50

1,52

1,54

1,42

1,44

1,46

1,48

1,50

1,52

1,54

Частота, ГГц

Рис. 5. Зависимость коэффициента отражения жидкостей от частоты.

Дефектоскопия

№ 9

2020

Эбру Эфеоглу, Гуркан Туна

Таблица

Свойства опасных жидкостей

Свойство

Опасность для здоровья

Воспламеняемость

Толуол

Бутанол

Растворитель

Октанол

Бензин

1-пропанол

Метанол

Ацетон

Этанол

Уксусная кислота

Изопропанол

Одеколон

от 0 до 4. Здесь: 0 означает отсутствие опасности, а 4 означает самую высокую опасность.

Опасность для здоровья подразумевается относительно прямого оральному применения или

попадания на кожу. Высокая воспламеняемость материалов может привести к пожару или взры-

ву, который угрожает жизни человека.

При рассмотрении матрицы неточностей в наивном байесовском алгоритме (табл. 4) видно, что

опасные жидкости были правильно классифицированы. В таблице зеленые области показывают

количество правильно классифицированных жидкостей, а красные — количество неправильно

классифицированных. В частности, когда в классификации использовался весь тренировочный

набор, наивный байесовский метод правильно классифицировал все опасные жидкости, но рас-

познавал 6 неопасных жидкостей как опасные. Когда применялся процесс перекрестной проверки,

наивный байесовский алгоритм классифицировал 1 опасную жидкость как неопасную и 5 неопас-

ных жидкостей как опасные.

Таблица

Матрица неточностей — Наивный байесовский алгоритм

Факт

(Общее)

Прогноз

(Общее)

Таблица

Матрица неточностей — ЛДА

Факт

(Общее)

Прогноз

(Общее)

Дефектоскопия

№ 9

2020

Идентификация опасных жидкостей с помощью микроволновых систем...

Таблица

Матрица неточностей — КАД

Факт

(Общее)

Прогноз

(Общее)

Таблица

Матрица неточностей — МОВ

Факт

(Общее)

Прогноз

(Общее)

Таблица

Матрица неточностей — ПМО

Факт

(Общее)

Прогноз

(Общее)

Таблица

Матрица неточностей - МКБС

Факт

(Общее)

Прогноз

(Общее)

Верно

Неверно

классифицированные

Наивный байес ЛДА

МОП

КАД

ПМО МКБС

Рис. 6. Среднее количество верно и неверно классифицированных образцов для каждого алгоритма классификации.

Дефектоскопия

№ 9

2020

Эбру Эфеоглу, Гуркан Туна

При использовании всего тренировочного набора, ЛДА правильно распознал 12 опасных жид-

костей, а 5 неопасных жидкостей были ошибочно классифицированы как опасные. В случае пере-

крестной проверки 1 опасная жидкость и 6 неопасных жидкостей были классифицированы непра-

вильно (табл. 5). Матрицы неточностей алгоритма КАД (табл. 6) очень похожа на матрицу алго-

ритма ЛДА. Тем не менее КАД является более стабильным, чем алгоритм ЛДА, потому что он дает

те же результаты при классификации как на обучающем наборе, так и в процессе перекрестной

проверки. Матрица неточностей алгоритма МОВ (табл. 7) указывает на то, что алгоритм МОВ не

смог сформировать правильную модель. МОВ распознает все жидкости как неопасные. По срав-

нению с МОВ алгоритм ПМО показал лучшие результаты. В тренировочном наборе ПМО пра-

вильно классифицировал 11 опасных жидкостей и 23 неопасных жидкости. Когда для ПМО была

выполнена перекрестная проверка, количество правильных решений уменьшилось (табл. 8). Среди

всех алгоритмов классификации МКБС достиг высочайшей точности. Алгоритм МКБС правильно

классифицировал все опасные и неопасные жидкости, когда использовались все данные для обу-

чения. С другой стороны, при проведении перекрестной проверки 10-кратная перекрестная про-

верка приводила к неправильной классификации для 1 жидкости, а 5-кратная перекрестная про-

верка приводила к неправильной классификации для 3 жидкостей (табл. 9).

В табл. 10 приведены значения точности, коэффициента каппа и значения СКО всех алго-

ритмов классификации при использовании всего тренировочного набора и применении 10- и

5-кратного перекрестных проверок. Правильно и неправильно классифицированные случаи

всех алгоритмов классификации показаны на рис. 6. Как видно на рис. 5, алгоритм МКБС обе-

спечил наибольшее количество правильных прогнозов и наименьшее количество неправиль-

ных прогнозов. Если принять во внимание табл.

10, то видно, что алгоритм МОП

Таблиц а 10

Сравнение всех алгоритмов классификации

Точность (%)

Коэффициент Каппа

СКО

Наивный

83,33

83,3

0,66

0,65

0,40

Байес

ЛДА

86,11

80,55

0,71

0,60

0,36

0,38

КАД

86,11

0,71

0,32

0,38

0,36

МОВ

66,66

0,57

ПМО

94,44

86,11

83,33

0,87

0,68

0,65

0,23

0,37

0,40

МБКС

100

97,22

91,66

0,93

0,80

0,08

0,18

0,30

обеспечивает самый низкий уровень точности и наибольшее значение СКО. Наивный алго-

ритм Байеса, ЛДА и КАД имеют схожие результаты. Алгоритм ПМО показал высокую точ-

ность 94,4 % при работе с обучающей выборкой, однако, при применении перекрестной про-

верки его точность снизилась. Алгоритм МБКС имел наивысшую точность при обучении и

даже при применении перекрестной проверки. Кроме того, алгоритм МБКС имел самое низкое

СКО по сравнению с другими. Значение коэффициента Kappa алгоритма МБКС было равно 1

для обучающего набора и близко к 1 во время перекрестная проверка. Это подтверждает

успешность использования алгоритма МКБС.

Дефектоскопия

№ 9

2020

Идентификация опасных жидкостей с помощью микроволновых систем...

4. ЗАКЛЮЧЕНИЕ

В последние годы рост числа террористических атак с использованием жидких взрывчатых

веществ привел к необходимости разработки систем, которые могут легко и эффективно распоз-

навать жидкости, которые могут использоваться во взрывчатых веществах, и неопасные жидко-

сти. В этом исследовании предлагается метод бесконтактного обнаружения опасных жидкостей

и оценивается эффективность алгоритмов классификации, которые могут использоваться в

предлагаемом методе. Новизна предлагаемого подхода заключается в том, что, хотя классифика-

ция выполняется с использованием предложенного подхода, нет необходимости вскрывать сосуд

для доступа к содержимому. После разработки прототипа системы на основе предложенного

подхода его можно использовать в аэропортах, торговых центрах и других местах. Благодаря

простоте быстроте процесса предлагаемый подход, возможно, не приведет к образованию оче-

редей при проверке и потере времени на досмотр службой безопасности. В дополнение к новому

подходу по обнаружению опасных жидкостей, в этом исследовании была проанализирована

работа шести различных алгоритмов классификации, используемых для идентификации опас-

ных жидкостей, с точки зрения точности и временных требований. Как показывают результаты,

МБКС является наиболее подходящим алгоритмом классификации для идентификации опасных

жидкостей.

СПИСОК ЛИТЕРАТУРЫ

1. Melnikov Y., Avtonomov P., Kornienko V., Olshansky Y. Detection of Dangerous Materials and Illicit

Objects in Cargoes and Baggage: Current Tools, Existing Problems and Possible Solutions // Journal of

Homeland Security and Emergency Management. 2011. V. 8 (1). doi: 10.2202/1547-7355.1889

2. Cardona L., Jiménez J., Vanegas N. Nuclear quadrupole resonance for explosive detection // Ingeniare

Revista chilena de ingeniería. 2015. V. 23 (3). P. 458—72.

3. Miller J, Barrall G. Explosives Detection with Nuclear Quadrupole Resonance // American Scientist.

2005. V. 93 (1). P. 50.

4. Kumar S. Liquid-contents verification for explosives, other hazards, and contraband by magnetic

resonance // Applied Magnetic Resonance. 2004. V. 25 (3—4). P. 585—97. doi: 10.1007/BF03166550

5. Espy M., Flynn M., Gomez J., Hanson C., Kraus R., Magnelind P. et al. Ultra-low-field MRI for the

detection of liquid explosives // Superconductor Science and Technology. 2010. V. 23 (3). P. 034023. doi:

10.1088/0953-2048/23/3/034023

6. Abidin Z.Z., Omar F.N., Yogarajah P., Biak D.R.A., Man Y.B.C. Dielectric characterization of liquid

containing low alcoholic content for potential halal authentication in the 0.5-50 GHz range // American Journal

of Applied Sciences. 2014. Jan. 11(7). P. 1104—12. doi: 10.3844/ajassp.2014.1104.1112

7. Singh S., Singh M. Explosives detection systems (EDS) for aviation security // Signal Processing. 2003.

V. 83 (1). P. 31—55. doi: 10.1016/S0165-1684(02)00391-2

8. Schulte-Ladbeck R., Vogel M., Karst U. Recent methods for the determination of peroxide-based

explosives // Analytical and Bioanalytical Chemistry. 2006. V. 386 (3). P. 559—65. doi: 10.1007/s00216-006-

0579-y

9. Choi K., Hong T., Sim K.I., Ha T., Park B.C., Chung J.H. et al. Reflection terahertz time-domain

spectroscopy of RDX and HMX explosives // Journal of Applied Physics. 2014. V. 115 (2). P. 023105. doi:

10.1063/1.4861616

10. Windgasse G., Dauerman L. Microwave Treatment of Hazardous Wastes: Removal of Volatile and

Semi-Volatile Organic Contaminants from Soil // Journal of Microwave Power and Electromagnetic Energy.

1992. V. 27 (1). P. 23—32. doi: 10.1080/08327823.1992.11688167

11. Mudhoo A., Sharma S.K. Microwave Irradiation Technology in Waste Sludge and Wastewater

Treatment Research // Critical Reviews in Environmental Science and Technology. 2011. V. 41 (11). P. 999—

1066. doi: 10.1080/10643380903392767

12. Liu L. Application of Microwave for Remote NDT and Distinction of Biofouling and Wall Thinning

Defects Inside a Metal Pipe // Journal of Nondestructive Evaluation. 2015. Feb. V. 34 (4). doi: 10.1007/

s10921-015- 0313-9

13. Lucic B., Basic I., Nadramija D., Milicevic A., Trinajstic N., Suzuki T. et al. Correlation of liquid

viscosity with molecular structure for organic compounds using different variable selection methods //

Arkivoc. 2002.V. 2002 (4). P. 45. doi: 10.3998/ark.5550190.0003.406

14. Tekbas M., Toktas A., Ustun D. A Formulaic Model Calculating the Permittivity of Testing Materials

Placed on a Circular Patch Antenna. 2019 XXIVth International Seminar/Workshop on Direct and Inverse

Problems of Electromagnetic and Acoustic Wave Theory (DIPED), 2019. doi:10.1109/DIPED.2019.8882582

15. Büyüköztürk O., Yu T.-Y., Ortega J.A. A methodology for determining complex permittivity of

construction materials based on transmission-only coherent, wide-bandwidth free-space measurements //

Cement and Concrete Composites. 2006. V. 28 (4). P. 349—59. doi: 10.1016/j.cemconcomp.2006.02.004

Дефектоскопия

№ 9

2020

Эбру Эфеоглу, Гуркан Туна

16. Al-Mously S.I.Y. A modified complex permittivity measurement technique at microwave frequency //

Int. J. New Comput. Archit. Appl. 2012. V. 2. P. 389—401.

17. Li Z., Haigh A., Soutis C., Gibson A., Sloan R. A Simulation-Assisted Non-destructive Approach for

Permittivity Measurement Using an Open-Ended Microwave Waveguide // Journal of Nondestructive

Evaluation. 2018. V. 37 (3). doi: 10.1007/s10921-018-0493-1

18. Jiang Y., Ju Y., Yang L. Nondestructive In-situ Permittivity Measurement of Liquid Within a Bottle

Using an Open-Ended Microwave Waveguide // Journal of Nondestructive Evaluation. 2015. Oct. V. 35 (1).

doi: 10.1007/s10921-015-0322-8

19. Derousseau M., Laftchiev E., Kasprzyk J., Rajagopalan B., Srubar W. A comparison of machine

learning methods for predicting the compressive strength of field-placed concrete // Construction and Building

Materials. 2019. V. 228. P. 116661. doi: 10.1016/j.conbuildmat.2019.08.042

20. Aydın E.A., Keleş M.K. Breast cancer detection using K-nearest neighbors data mining method

obtained from the bow-tie antenna dataset // International Journal of RF and Microwave Computer-Aided

Engineering. 2017. V. 27 (6). doi: 10.1002/mmce.21098

21. Prasad V., Rao T.S., Babu M.S.P. Thyroid disease diagnosis via hybrid architecture composing rough

data sets theory and machine learning algorithms // Soft Computing. 2015. V. 20 (3). P. 1179—89.

doi: 10.1007/s00500-014-1581-5

22. Fatemi M.H., Ghorbanzad’E M. Classification of drugs according to their milk/plasma concentration

ratio // European Journal of Medicinal Chemistry. 2010. V. 45 (11). P. 5051—5. doi: 10.1016/j.ejmech.2010.08.013

23. Kim S., Kwak J., Ko B. Automatic Classification Algorithm for Raw Materials using Mean Shift

Clustering and Stepwise Region Merging in Color // Journal of Broadcast Engineering. 2016. V. 21 (3).

P. 425—35. doi: 10.5909/JBE.2016.21.3.425

24. Balabin R.M., Safieva R.Z., Lomakina E.I. Gasoline classification using near infrared (NIR)

spectroscopy data: Comparison of multivariate techniques // Analytica Chimica Acta. 2010. V. 671 (1—2).

P. 27—35. doi: 10.1016/j.aca.2010.05.013

25. Maione C., Barbosa F., Barbosa R.M. Predicting the botanical and geographical origin of honey with

multivariate data analysis and machine learning techniques: A review // Computers and Electronics in

Agriculture. 2019. V. 157. P. 436—46. doi: 10.1016/j.compag.2019.01.020

26. Dos Santos J.C.A., Dias M.H.C., Aguiar A., Borges Jr. I. Using the coaxial probe method for

permittivity measurements of liquids at high temperatures // J. Microwaves, Optoelectron. Electromagn. Appl.

2009. V. 8. P. 78—91.

27. Mitani T., Hasegawa N., Nakajima R., Shinohara N., Nozaki Y., Chikata T. et al. Development of a

wideband microwave reactor with a coaxial cable structure // Chemical Engineering Journal. 2016. V. 299.

P. 209—16. doi: 10.1016/j.cej.2016.04.064

Дефектоскопия

№ 9

2020