Ранговый классификатор состояний природной среды

от

А.В. Скатков,  А.А. Брюховецкий,  Д.В. Моисеев

ФГАОУ ВО «Севастопольский государственный университет», РФ, г. Севастополь, ул. Университетская, 33

E—mail: dmitriymoiseev@mail.ru

DOI: 10.33075/2220-5861-2021-1-129-136

УДК 681.3

Реферат:

   В настоящей работе рассматриваются основные особенности, связанные с разработкой и исследованием устройства на основе методов интеллектуальной технологии оценивания состояний природной среды. Необходимо отметить, что природо-технические объекты, а также процессы в них протекающие, характеризуются высокой сложностью и динамичностью, а значительная часть данных процессов до настоящего времени изучена и формализована далеко не полностью. Поэтому одно из важнейших направлений анализа данных в рассматриваемой области – применение в информационно-измерительных системах искусственных нейронных сетей. В работах ученых из различных стран показана высокая эффективность применения аппарата искусственных нейронных при решении отдельных задач обработки данных при классификации состояний природной среды.

   Предлагаемый подход базируется на методах непараметрической статистики с использованием ранговых критериев и позволит осуществить в ходе мониторинга интеллектуальный анализ данных ключевых показателей природной среды, например, таких как гидрометеорологические данные об уровне загрязнения и составе воздуха, почвы, предельно допустимых выбросов вредных веществ, экологического контроля аномалий и другие. Представлены статическая, динамическая, интегральная и обобщенная модели классификации состояний природной среды. В планах дальнейших исследований предлагается оценить влияние объема выборки на статистическую чувствительность, статистическую устойчивость, области уверенного/неуверенного распознавания, а также построить систему поддержки принятия решений по обнаружению G-эффекта и рассмотреть адаптивный подход к построению оценочной матрицы.

Ключевые слова: системы мониторинга, статическая модель, динамическая модель, интегральная модель, обобщенная модель, ранговые критерии, интеллектуальная технология.

Для цитирования: Скатков А.В., Брюховецкий А.А., Моисеев Д.В. Ранговый классификатор состояний природной среды // Системы контроля окружающей среды. 2021. Вып. 1 (43). C. 129–136.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Гайский В.А., Гайский П.В. Многомерный гармонический анализ Фурье при измерениях полей морской среды // Системы контроля окружающей среды. 2019. Вып. 4 (38). С. 33–42.
  2. Скатков А.В., Брюховецкий А.А., Моисеев Д.В. Интеллектуальная система мониторинга для решения крупномасштабных научных задач в облачных вычислительных средах // Информационно-управляющие системы. СПб.: Изд-во «ГУАП», 2017. № 2 (87). С. 19–25.
  3. Селиванова З.М. Интеллектуализация информационно-измерительных систем неразрушающего контроля теплофизических свойств твердых материалов. М.: Машиностроение-1, 2006. 184 с.
  4. Харисова З.И. Информационно-измерительная система для гранулометрического анализа жидких дисперсных сред на основе видеотехнических средств и нейросетевых технологий: автореф. дис. … канд. техн. наук. Уфа, 2018. 21 с.
  5. Rassell S., Norvig P. Artificial Intelligence: A Modern Approach, 3rd Edition. Pearson Education, 2010. 1095 p.
  6. Orlov S.P., Vasilchenko A.N. Intelligent measuring system for testing and failure analysis of electronic devices // 2016 XIX IEEE International Conference on Soft Computing and Measurements (SCM). IEEE Conference Publications. 2016. Vol. 1.  401–403.
  7. Посошков В.Л. Использование искусственных нейронных сетей для статистического оценивания ряда среднесуточных осадков // Системы контроля окружающей  среды. 2002. Вып. 4. С. 146–153.
  8. Werner H., Obach M. New neural network types estimating the accuracy of response for ecological modelling // Ecological Modelling. 2001. Vol. 146. № 1- P. 289–298.
  9. Gevrey M., Dimopoulos I., Lek Review and comparison of methods to study the contribution of variables in artificial neural network models // Ecological Modelling. 2003. Vol. 160. № 3. P. 249–264.
  10. Ciavatta S., Pastres R., Badetti C., Ferrari G. Estimation of phytoplanktonic production and system respiration from data collected by a real-time monitoring network in the lagoon of venice // Ecological Modelling. 2008. Vol. 212. № 1- P. 28–36.
  11. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М.: Высшая школа, изд-во «Юнити», 1998. 1000 с.
  12. Кремер Н.Ш. Эконометрика. М.: ЮНИТИ-ДАНА, 2006. 311 с.
  13. Линник Ю.В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений. Изд. 2-е, доп. и испр. М.: Гос. изд-во физ.-мат. лит., 1962. 349 с.

Loading