Сибирский федеральный университет

Перевод названия: NEURAL NETWORK ANALYSIS OF COMPLICATED ECOLOGICAL DATA

Тип публикации: статья из журнала

Год издания: 2012

Ключевые слова: антропогенная нагрузка, human impact, modeling, neural networks, ecological models, antibiotic resistance, математическое моделирование, нейронные сети, экологические модели, антибиотикорезистентность

Аннотация: Предложены методы классификации и анализа сложноорганизованных экспериментальных данных на основе разработанного авторами алгоритма обучения нейронных сетей. Алгоритм позволяет объединить методы кластеризации и классификации данных (и/или прогнозирования) в рамках единой нейронной сети. В результате возникает новый класс нейронных сетей, органично объединяющих в себе альтернативные методы обучения – супервизорные и несупервизорные. В работе показано, что предложенный метод дает возможность преодолеть проблему сильного различия векторов в центре и на границах внутри классов при высоком сходстве векторов соседних классов на границах между классами, затрудняющую классификацию данных. Задача решается с учетом дополнительной сложности, обусловленной высокой нелинейностью разделяющих гиперповерхностей между классами. Эффективность метода продемонстрирована на решении задачи оценки уровня антропогенного воздействия на оз.Шира (Россия) с использованием сложноорганизованных экспериментальных данных, которые получены авторами путем многолетнего мониторинга уровня устойчивости к антибиотикам у бактерий, населяющих эту экосистему. Discusses complicated experimental data classification and analysis using a neural network training algorithm developed by the authors. This algorithm allows combining data clustering and classification (and/or predicting) methods within a single neural network. As a result, a new class of neural networks appears that combines the alternative methods which are supervisory and nonsupervisory. In this work, it has been shown this enables to solve the problem of high vector variability in the center and at the boundaries of the same class, while vectors at boundaries of adjacent classes are highly similar. The solution of this problem that makes it hard to classify data considers high nonlinearity of hypersurfaces separating classes. To test this method, human impacts on Lake Shira (Russia) were estimated using complicated experimental data which were obtained by the authors during the long-term monitoring of antibiotic resistance in bacteria inhabiting the ecosystem.

Журнал: Современные проблемы науки и образования

Выпуск журнала: № 4

Номера страниц: 127-127

ISSN журнала: 20707428

Место издания: Пенза

Издатель: Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания"

• Ланкин Ю.П. (ФГБУН КНЦ СО РАН)
• Басканова Т.Ф. (Сибирский федеральный университет)
• Лобова Т.И. (ФГБУН КНЦ СО РАН)

• РИНЦ (eLIBRARY.RU)
• Список ВАК