Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации : на примере задач экологического мониторинга

• Автор: Новикова, Светлана Владимировна
• Шифр специальности: 05.13.18
• Научная степень: Докторская
• Год защиты: 2013
• Место защиты: Казань
• Количество страниц: 258 с. : ил.

ОГЛАВЛЕНИЕ.
Введение
Глава 1. Анализ моделей, методов и программных средств расчетного мониторинга
1.1 Проблемы и задачи мониторинга
1.2 Задачи экологической безопасности РТ
1.3 Обзор современных информационных систем в сфере экологической безопасности в России и в мире
1.4 Математические модели в экологии
1.4 Методы экологического моделирования
1.4.1 Методы без использования искусственного интеллекта
1.4.2. Методы искусственного интеллекта
1.5 Постановка задачи прогнозирования экологической ситуации
1.6 Постановка задачи поддержки принятия управленческих решений
Выводы
Глава 2. Прогнозирование экологической ситуации в РТ при помощи нейронных сетей
2.1 Методика прогнозирования на основе данных по изменениям
характеристик источников загрязнений
2.1.1. Выделение действующих факторов
2.1.2. Проектирование нейросети
2.1.3. Исключение малозначащих факторов из структуры нейросети
2.2 Методика прогнозирования загрязнений на основе данных по изменениям метеоусловий
2.2.1. Нейросетевое прогнозирование уровня загрязнения конкретным
токсикантом
2.2.1.1 Проектирование единой нейронной сети, прогнозирующей
концентрации загрязнений по метеоданным
2.2.1.2. Пример практического применения прогнозирующей нейросети

2.2.2. Метод редукции многослойного персептрона
2.2.2.1. Проведение численных экспериментов
2.3. Прогнозирование многосетевым экспертом
2.3.1. Многосетевой эксперт I типа
2.3.1.1. Пример практического применения избыточной нейросетевой модели и многосетевого эксперта I типа
2.3.1.2. Сравнительная эффективность прогнозирования при применении избыточного нейросетевого эксперта и многосетевого априорного эксперта
2.3.2. Методика проектирования и использования многосетевого эксперта II типа
2.3.2.1. Пример практического применения многосетевого эксперта II типа
2.3.2.2. Алгоритм определения числа кластеров для многосетевого эксперта II типа
2.3.3. Сравнение эффективности применения многосетевых экспертов I и II типов
Выводы
Глава 3. Прогнозирование неблагоприятных экологических ситуаций на основе временного ряда измерений концентрации токсикантов и метеоданных
3.1 Задача определения зависимости критического временного интервала
от НМУ
3.1.1 Проведение численных экспериментов
3.2 Задача распознавания совокупности значений метеофакторов как
угрожающей по превышению ПДК
Выводы
Глава 4. Модели и методы оценивания состояния окружающей среды для
управления экологической безопасностью территории
4.1. Роль качественных оценок в задачах экологического управления
4.2 Управления экологическим риском с использованием систем нечеткого
вывода

4.2.1 .Применение для решения задачи аппарата нечеткой логики
4.2.2.Система расчета экологического вероятностного риска на основе нечеткого логического вывода по принципу Такаги-Сугено
4.2.3.Нейро-нечеткая идентификация
4.3 Формирование модели на основе подхода Такаги-Сугено экспертным путем
4.3.1. Проведение численных экспериментов
4.3.1.1 Проектирование системы
4.3.1.2. Идентификация системы
4.4 Автоматизированное формирование модели по принципу Такаги-Сугено
4.4.1. Автоматизированное формирование нечеткой модели на основе решетчатого разбиения
4.4.1.1 Оценка точности системы нечеткого вывода, сгенерированной по алгоритму решетчатого разбиения
4.4.2. Автоматизированное формирование нечеткой модели на основе горной кластеризации
4.4.2.1 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 24 кластеров
4.4.2.2 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 7 кластеров
4.4.2.3 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 4 кластеров
4.4.3 Метод автоматизированного формирование нечеткой модели на
основе горной кластеризации
4.5.Система анализа вероятностного риска по принципу Мамдани
4.5.1 Преобразование правых частей вывода Такаги-Сугено в функции принадлежностей для вывода Мамдани
4.5.2 Проведение экспериментов
4.6 Методика реализации нейро-нечеткого подхода

Рис. 1. 9 Структура искусственного нейрона.
Нейрон состоит из трех типовых элементов: множителей, называемых синапсами, сумматора и нелинейного преобразователя сигнала. Синапсы имитируют связь между нейронами, умножая входной сигнал на вес синапса. Чем больше вес, тем больше сила связи. Сумматор складывает сигналы, поступающие по синаптическим связям от других нейронов, или внешние входные сигналы. Преобразователь сигнала расчитывает значение некоторой функции (в общем случае нелинейной) от единственного аргумента- выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона. Таким образом, нейрон представляет собой скалярную функцию от векторного аргумента. Математическая модель нейрона имеет следующий вид:
(1.4)
у = /0)>
где Ш;- вес синапса, /=/...и; Ь -смещение; 5 - результат суммирования; х, - компонент входного сигнала, 1=1 ...п; у - выходной сигнал нейрона; п -размерность входного вектора нейрона; / - функция активации. Совокупность таких искусственных нейронов связывается в некую статичную структуру - нейронную сеть. Свойства сети будут определяться ее топологией, типом активационной функции и весами синапсов. Обзор основных типов искусственных нейронных сетей представлен в работах Р. Калана [53], С. Осовского [105], С.Лека и Дж. Гуегана [186] и др.
Применение нейронных сетей в экологии началось сравнительно недавно, в 90-х годах прошлого века. Одним из первых обнаружил