Применение искусственных нейронных сетей в целях совершенствования информационно-аналитических технологий исследований в области гигиены
Вы здесь
Статья посвящена актуальной проблеме внедрения инновационных методов информационно-аналитического обеспечения гигиенических исследований при ведении социально-гигиенического мониторинга и анализе риска здоровью населения. Целью работы являлась апробация и оценка эффективности применения искусственных нейронных сетей в целях краткосрочного прогнозирования параметров загрязнения атмосферного воздуха предприятием химической промышленности. Установлено, что применение нейросетевых моделей прогнозирования, созданных в среде пакета прикладных программ Matlab R2021a с набором инструментов для синтеза и анализа нейронных сетей Neural Network Toolbox и обученных с применением алгоритма Левенберга-Марквардта, обеспечивает существенно более высокую точность краткосрочных прогнозов по сравнению с регрессионной моделью экстраполяционного прогнозирования на основе построения линий тенденций путем подбора методом наименьших квадратов.
Комментарии - 2
Добрый день!
Уважаемые авторы, очень интересный материал и результаты.
Поясните пожалуйста, на каких данных обучалась нейросеть, на входе я так понимаю 20 значений концентраций по месяцам с января 2017 по август 2020 г, переменная времени учитывалась? Какие значения брались на выходном слое для обучения?
Добрый день!
Многоуважаемый Марат Решидович! Благодарим Вас за интересный вопрос.
В ходе моделирования в среде Matlab были созданы по две нейронные сети разных типов (Feed-forward backprop и Cascade- forward backprop) для каждого исследуемого загрязняющего вещества. В общей сложности было получено 8 нейронных сетей. На вход подавались фактические значения временного ряда каждого вещества по отдельности. Каждый обучающий пример формировался следующим образом: на вход подавались по три последовательных значений временного ряда, а на выход четвертое. Например, на входе среднемесячные значения концентраций конкретного загрязняющего вещества в январе, феврале, марте, на выходе среднемесячное значение концентрации этого вещества в апреле. По такому принципу было сформировано 42 примера для каждого исследуемого вещества.
При прогнозировании данным методом не предполагается подача переменной времени.