РЕШЕНИЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ГОРОДА НЕЙРОЭВОЛЮЦИОННЫMИ АЛГОРИТМАМИ : научное издание | Научно-инновационный портал СФУ

РЕШЕНИЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЭКОЛОГИЧЕСКОГО СОСТОЯНИЯ ГОРОДА НЕЙРОЭВОЛЮЦИОННЫMИ АЛГОРИТМАМИ : научное издание

Перевод названия: SOLVING THE PROBLEM OF CITY ECOLOGY FORECASTING WITH NEURO-EVOLUTIONARY ALGORITHMS

Тип публикации: статья из журнала

Год издания: 2015

Ключевые слова: artificial neural networks, ensembles, evolutionary algorithms, Time series prediction, city ecology analysis, искусственные нейронные сети, эволюционные алгоритмы, прогнозирование временных рядов, анализ экологической ситуации в городе, коллективы

Аннотация: Рассматривается решение задачи прогнозирования экологического состояния города в зависимости от химического состава воздуха. Описывается процедура решения данной задачи при помощи искусственных нейронных сетей, выращенных эволюционными алгоритмами. Представлены некоторые из модификаций эволюционных алгоритмов, которые позволяют повысить эффективность предсказания. Также с целью повышения эффективности рассматривается коллективный подход к построению нейросетевых предикторов. Были описаны существующие сегодня методы формирования коллективов интеллектуальных информационных технологий. Представлено сравнение их эффективности на ряде тестовых задач. Предлагается модифицированный подход к проектированию коллективов искусственных нейронных сетей, отличающийся от известных комбинированным использованием существующих схем и методов организации коллектива. В описании решаемой задачи подчеркивается проблема наличия большого количества пропусков в таблице данных. Для ее решения используется модифицированный метод генетического программирования. Показана полезность использования данной процедуры при решении поставленной задачи. Тестирование показывает эффективность предложенного подхода по сравнению с базовой и коллективной моделями. Одно из приложений разработанного алгоритма - предсказание временных рядов. Многие технические системы содержат большое количество динамических параметров, отслеживание и предсказание которых является важной задачей. Ракетно-космическая техника не является исключением, а потому описанный алгоритм является для нее полезным инструментом анализа данных. Разработанный подход может являться как средством создания самостоятельных предикторов, так и средством комбинирования уже существующих. Показано, что такой подход позволяет увеличить точность итоговых моделей. In this paper the problem of a city ecological condition forecasting based on the chemical composition of the air is considered. The procedure of solving this problem with artificial neural networks, grown by evolutionary algorithms is described. Several modifications of evolutionary algorithms and ensemble approach for neural predictor design allowing the increase of prediction efficiency are presented. Also an ensemble method for neural predictor design is considered to increase the efficiency. The existing methods for design of intelligence information technologies ensembles have been considered. The comparison of their efficiency is presented in the paper for a set of test problems. A modified approach for artificial neural network ensembles is proposed, which is different from known before with combined application of existing schemes and methods for ensemble organization. In the problem description the problem of large amount of missing values in the dataset is highlighted. To solve this problem, a modified genetic programming method is applied. The usefulness of this method is shown for the problem solving. The testing shows the efficiency of the presented approach compared to basic and ensemble models. One of the applications of the developed algorithm is the time series prediction. Many technical systems contain a large amount of dynamic parameters, and tracking and predicting these parameters is an important problem. The rocket and space technology is no exception, so the described algorithm is a useful data analysis instrument for it. The developed approach can be used as a method for individual predictors' creation, and also as way for combining the existing ones. It is shown that this approach allows increasing the accuracy of the resulting models.

Ссылки на полный текст

Издание

Журнал: Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева

Выпуск журнала: Т. 16, 1

Номера страниц: 137-142

ISSN журнала: 18169724

Место издания: Красноярск

Издатель: Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева

Авторы

  • Хритоненко Д.И. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Семенкин Е.С. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Сугак Е.В. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)
  • Потылицына Е.Н. (Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева)

Вхождение в базы данных

Информация о публикациях загружается с сайта службы поддержки публикационной активности СФУ. Сообщите, если заметили неточности.

Вы можете отметить интересные фрагменты текста, которые будут доступны по уникальной ссылке в адресной строке браузера.