Системный анализ экологической информации с помощью нейронных сетей

Г.С. Вересников
аспирант,
г. Москва

Современные возможности записи и хранения данных привели к тому, что системах экологического мониторинга формируются большие объемы экологической информации, которые могут быть использованы для поиска взаимосвязей и закономерностей в информационных массивах [3].

Необходимость внедрения в программный комплекс экологического мониторинга подпрограмм, выполняющих  системный анализ информации о состоянии окружающей среды, обусловлена многомерностью и многосвязностью экологических данных. Многие экологические процессы характеризуются нелинейностью и неопределенностью, что затрудняет оценку и прогнозирование оператором экологической ситуации. Для того чтобы повысить оперативность и точность принятия правильных управленческих решений в последнее время все чаще используются технологии искусственного интеллекта, способные работать в условиях нечеткой исходной информации. Одним из направлений использования  технологий искусственного интеллекта в экологическом мониторинге, является применение нейронных сетей в задачах распознавания и прогнозирования экологических ситуаций. С помощью нейронных сетей можно решать трудно формализуемые задачи c высокой степенью точности, в которых совместно используются противоречивые, неполные, «зашумленные», некорректные данные. 

Порядок решения задач с помощью нейронных сетей состоит из следующих этапов [2]:

1.             Постановка задачи, в пригодной для решения с помощью нейронной сети форме.

2.             Выбор модели искусственной нейронной сети (ИНС).

3.             Подготовка исходных данных для обучения ИНС.

4.             Обучение ИНС.

5.             Собственно решение задачи с помощью обученной ИНС

При проектировании систем анализа экологической информации на основе нейронных сетей подготовительные этапы, связанные с их построением и обучением, эффективнее выполнять в специализированных программах, называемых нейроимитаторами. Процесс программирования стандартных функций построения и обучения нейронных сетей может занять большое количество времени, тогда как, в современных нейроимитаторах реализовано большинство архитектур и методов обучения, необходимых пользователю. В настоящее время нейроимитаторы являются признанным инструментом для решения прикладных задач. Приведем в качестве примера некоторые из них: NeuroShell, NeuroPro, NeuroSolution, Deductor,  пакет «neural network toolbox» математического программного Matlab. Кроме средств построения нейронных сетей многие программные пакеты включают средства для первичной обработки данных и позволяют экспортировать данные из большинства программ, в которых происходит накапливание информации.

После того как нейронная сеть построена и обучена, она может быть встроена в прикладное программное обеспечение. Реакция нейронной сети на входные параметры вычисляется последовательным умножением вектора входных сигналов на матрицу весов связей входов с выходами, что является достаточно простой задачей для реализации.

Дополнительным подготовительным этапом для использования нейронной сети может быть минимизация входных параметров с целью определения избыточности первоначально заданного набора параметров. Значимость отдельных входных параметров нейронной сети может оказаться достаточно низкой для их исключения из набора входов. Применение методов имеет ценность как для научных исследований, с целью разделить воздействующие факторы в соответствии с их значимостью, так и при практическом применении нейросетей. Нейронная сеть с большим количеством входных элементов содержит большое количество весовых коэффициентов (весов). Уменьшение количества входов сети позволяет использовать меньше данных, обеспечивая приемлемый уровень сложности сети [5].   Кроме того, часто для оценки и прогнозирования экологической ситуации проводят сложные и дорогостоящие измерения, которые к тому же требуют времени, что может сказаться на оперативности принятия решений. Минимизация параметров позволяет исключить измерение некоторых параметров или осуществить попытку оценки ситуации не дожидаясь их получения.

Однако, необходимо осторожно относится к минимизации параметров. Во-первых, каждый параметр в той или иной степени вносит свой вклад в оценку ситуации. Во-вторых, небольшая избыточность параметров важна для возможности дополнительного обучения нейронной сети. Если сеть обучена на минимально возможном количестве параметров и при дальнейшем доучивании ей попадается пример, не вписывающийся в предыдущий опыт, имеющегося количества синапсов может не хватить для доучивания.

Основной проблемой построения нейронных сетей для анализа информации о состоянии окружающей среды является отсутствие достаточного количества данных, в полной мере охватывающих предметную область [4].  Особенно недостаточно данных об аварийных ситуациях, особенно когда уровень опасности отслеживаемых вредных веществ высок.

Преодолеть данную проблему можно путем получения недостающих данных посредством оценки смоделированной ситуации экспертами. Подход, когда на основе опыта и интуиции высоко квалифицированных специалистов-экспертов добывается информация о потенциально возможных ситуациях, широко распространен в задачах экологического мониторинга. Как показывает практика, применение нейронных сетей при разработке сложных экспертных систем приводит к уменьшению требуемого количества правил вывода и к снижению трудоемкости разработки экспертных систем. Это обусловлено тем, что для построения правил нейронным сетям нужен только набор эмпирических данных, в достаточной мере отражающий зависимости, которые необходимо найти.

Другим подходом к решению проблемы получения недостающей информации является моделирование всевозможных аварийных ситуаций, которые могут потенциально возникнуть на объекте мониторинга.  Если известен потенциальный уровень выбросов при возможных аварийных ситуациях, концентрации вредных веществ при их распространении могут быть рассчитаны на основе [1].

Таким образом, применение нейронных сетей является перспективным направлением для их использования в разработке программных комплексов, предназначенных для  экологического мониторинга, на этапе анализа информации о состоянии окружающей среды. Нейронные сети способны повысить оперативность и точность оценки состояния окружающей среды, а следовательно эффективность принимаемых решений.

Литература

1.             Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий, ОНД-86 // Л.- 1987.- 140 с.

2.             Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ //  М.: Мир, 1992.

3.             Царегородцев В.Г., Погребная Н.А. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон. // Методы нейроинформатики. Красноярск.: Издательство КГТУ, 1998, с. 65-107

4.             Lek S., Guégan J.F. Artificial Neuronal Networks; Application to Ecology and Evolution // New York: Springer, 2000.

5.             Wingler Kevin  "Applying Neural Networks. A practical Guide" (перевод Ю.П.Маслобоева) http://matlab.krasu.ru/neuralnetwork/book4/2.asp.htm