РАЗРАБОТКА НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ МИГРАЦИИ ХИМИЧЕСКИХ ВЕЩЕСТВ В ПОЧВЕ И АЛГОРИТМОВ ИХ ОБУЧЕНИЯ
Аннотация
Приведен обзор существующих моделей и методов прогнозирования миграции химических веществ в почве. Показано, что наиболее эффективным для решения задач предметной области является применение искусственных нейронных сетей, использующих обучение «с учителем» на основе алгоритма обратного распространения ошибки. Разработаны соответствующие структуры нейронных сетей для решения поставленной задачи.
Предложен новый способ обучения искусственных нейронных сетей, базирующийся на модификации алгоритма обратного распространения ошибки с использованием дополнительного сигнала, который позволяется добиться 100%-й сходимости в задачах прогнозирования миграции химических веществ в почве.
Об авторах
С. П. Кундас
Международный государственный экологический университет имени А. Д. Сахарова
Доктор технических наук, профессор
В. И. Коваленко
Международный государственный экологический университет имени А. Д. Сахарова
О. С. Хилько
Международный государственный экологический университет имени А. Д. Сахарова
Список литературы
1. Knatko, У. A. Characteristics of 90Sr, 137Cs and 239,240Pu migration in undisturbed soils of southern Belarus after the Chernobyl accident // J. Env. Radioactivity. – 1996. –Vol. 2.–P. 185-196.
2. Серебряный, Г. 3. Аналитическая модель миграции радионуклидов в пористых средах / Г. 3. Серебряный, М. Л. Жемжуров // ИФЖ. – 2003. – Т. 6. – С. 146-150.
3. Жукова, О. М. Модель миграции радионуклидов в речной системе / О. М. Жукова, Н. М. Ширяева, Н. К. Мышкина // ИФЖ. – 2001. – Т. 4. – С. 70-77.
4. Прохоров, В. М. Миграция радиоактивных загрязнений в почвах / В. М. Прохоров // Физико-химические механизмы и моделирование. – М., 1981.
5. Overland water flow and solute transport: Model development and field-data analysis I Abbasi F. [et al.] // J. of Irrig. and Drainage ASCE. – 2003. – Vol. 2. – P. 71-81.
6. Kanevski, M. Spatial Estimations and Simulations of environment data using geostaticstics and artificial neural network / M. Kanevski, V. Demyanov, M. Maignan // Proceedings of IAMG-97. – Bare., 1997. – P. 533-538.
7. Картирование пространственных данных при помощи многослойного персептрона и геостатистики / А. С. Кравецкий // Институт проблем безопасного развития атомной энергетики РАН. – 1999. – С. 41.
8. Simunek, J. The HYDRUS-1D Software Package for Simulating the One-Dimensional Movement of Water, Heat and Multiple Solutes in Variably-Saturated Media. Version 3.0 / J. Simunek, van M. Th. Genuchten, M. Sejna // Department of Environmental Sciences, University of California. – 2005. – P. 240.
9. Wang F. The use of artificial neural networks in a geographical information system for agricultural tand-siiitability assessment / F. Wang // Environ, and Plann. A. –1994.–Vol. 2. – P. 265-284.
10. Timonin, V. Spatial Prediction of Radioactivity using General Regression Neural Network / V. Timonin, E. Savelieva // Applied GIS. – 2005. – Vol. 2. – P. 19.1-19.14.
11. Ланкин, Ю. П. Моделирование изменений экологических объектов с помощью нейронных сетей / Ю. П. Ланкин, А. П. Лалетин // Сибирский экологический журнал. –1999. – Т. 6. – С. 449-452.
12. Ермолаев, О. П. Использование нейронных сетей в геоинформационном анализе рельефа как фактора эрозии почв / О. П. Ермолаев, А. А. Савельев // 14-е Пленар. межвуз. координац. совещание по проблеме эрозионных, русловых и устьевых процессов: материалы и краткие сообщения. – Уфа : МГУ, 1999. – С. 117-119.
13. Головко, В. А. Нейронные сети: обучение, организация и применение / В. А. Головко. – Минск, 2001.
14. Кундас, С. П. Применение экспертных систем для прогнозирования миграции радионуклидов и химических веществ в почве / С. П. Кундас, В. И. Коваленко // Материалы 6-й междунар. науч. конф. – Минск : МГЭУ им. Сахарова, 2006. – Т. 2. – С. 162-166.
15. Математическое моделирование процессов переноса вещества и влаги в почве / С. П. Кундас // Экол. вестник. – 2007. – С. 62-71.
16. Bishop С, М. Theoretical foundation of neural networks / С. M. Bishop // Neural computing research group. – Aston Univ., 1996. – P. 8.
17. Hongbin, L. Soil water content forecasting by ANN and SVM hybrid architecture / L. Hongbin, X. Deti, W. Wei // Environmental Monitoring and Assessment. – 2008. –Vol. 1–3.– P. 187-193.
Рецензия
Для цитирования:
Кундас С.П., Коваленко В.И., Хилько О.С. РАЗРАБОТКА НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ МИГРАЦИИ ХИМИЧЕСКИХ ВЕЩЕСТВ В ПОЧВЕ И АЛГОРИТМОВ ИХ ОБУЧЕНИЯ. НАУКА и ТЕХНИКА. 2010;(2):32-38.
For citation:
Kundas S.P., Kovalenko V.I., Khilko O.S. DEVELOPMENT OF NEURAL NETWORKS FOR FORECASTING OF CHEMICAL SUBSTANCES’ MIGRATION IN SOIL AND ALGORITHMS OF THEIR TRAINING. Science & Technique. 2010;(2):32-38. (In Russ.)
Просмотров:
670
Послать статью по эл. почте 