Tema Nr.2 - Dezvoltarea unui sistem de predictie bazat pe retele neuronale aplicat in protectia mediului

Sistem prototip dezvoltat: Aplicatii ale reteleor neuronale artificiale in predictii legate de calitatea aerului (RNA). Sistemul RNA-AER

Autor: Dr. mat. Emil LUNGU

Sisteme de predictie (solutia neuro-fuzzy)

In protectia mediului sunt necesare atat predictii meteorologice cat si predictii referitoare la evolutia starii de poluare a mediului. Principalele metode de predictie pe termen scurt si mediu, existente la ora actuala, includ metodele statistice (inclusiv metode ale functiilor ortogonale si metoda Jenkin), metode de regresie cauzala (care presupun o relatie liniara intre parametri), metode combinate (de tip estimarea starii, recunoasterea formelor, evaluare euristica) si metode conexioniste. Metodele care sunt studiate la ora actuala sunt cele bazate pe combinarea metodelor conexioniste cu multimi fuzzy si logica fuzzy. O alta directie de cercetare este concentrata asupra imbunatatirii algoritmilor de instruire de tip backpropagation. Printre alte tehnici de predictie pe termen scurt se numara si tehnica SOM (Self-Organizing Map).

Tema de cercetare: studiul aplicarii retelelor neuronale artificiale in protectia mediului (dezvoltarea unui instrument eficient de predictie a starii de poluare pe termen scurt/mediu)

Activitati principale: documentare avansata, proiectarea si implementarea sistemului predictiv neuro-fuzzy, testarea sistemului prototip

Elemente originale vizate:

proiectarea si implementarea arhitecturii retelei neuronale artificiale cu reactie inainte pentru sistemul predictiv aplicat in poluarea mediului;

imbunatatirea algoritmului de invatare prin stabilirea unei functii matematice pentru rata de invatare.

Sistemul prototip RNA-AER

RNA-AER - Sistem neuronal de predictie a starii de poluare a aerului

Aplicatie sistem prototip: poluarea aerului in zone urbane (poluanti analizati: NO2, SO2, NH3, pulberi sedimentabile, pulberi totale in suspensie, PM10)

Elemente originale:

proiectarea si implementarea arhitecturii retelei neuronale artificiale cu reactie inainte pentru sistemul predictiv aplicat in poluarea aerului;

imbunatatirea algoritmului de invatare prin stabilirea unei functii matematice pentru rata de invatare.

Descriere: Modelele de predictie bazate pe retele neuronale artificiale ofera o alternativa convenabila la metodele clasice existente in uz. In cazul unor serii de date de dimensiuni sufficient de mari retelele pot fi antrenate pentru a produce rezultate foarte aproape de cele reale.
In studiul nostru au fost testate retele de tip feedforward cu trei straturi (intrare-ascuns-iesire) in care fiecare strat este total conectat cu urmatorul. S-a demonstrat ca acest tip de retea are capacitatea de a aproxima oricat de bine functiile cu discontinuitati de prima speta.

Caracteristici:Studiul cuprinde teste pentru determinarea unor parametri optimi ce caracterizeaza reteaua astfel incat aceasta sa produca rezultate precise. Este analizata influenta numarului de noduri din stratul de intrare si cel ascuns asupra erorii pe datele de antrenare si pe cele de test. De asemenea este analizata influenta valorilor cu care sunt initializate ponderile conexiunilor. Testele se bazeaza pe date reale reprezentand concentratii ale principalilor poluanti ai aerului: NO2, SO2, NH3 pulberi totale in suspensie, pulberi sedimentabile, PM10.

Aplicatii:

Prognoza calitatii aerului in mediul urban

Avertizarea depasirii normelor privind calitatea aerului prevazute in STAS 12574/87

Experimente efectuate:

Testele au fost facute folosind pachete MATLAB specializate pentru lucrul cu retele neuronale. Rezultatele furnizate de acestea au fost de asemenea comparate cu rezultatele obtinute cu parti software implementate in cadrul proiectului. Aceste parti software sunt dezvoltate in Borland C++ Builder si contin de asemenea biblioteci si programe din domeniul public. Utilizatorul poate alege algoritmul de invatare impreuna cu parametrii ce il descriu, poate seta parametrii de antrenare (e.g. numarul maxim de epoci folosite, modul in care se face initializarea ponderilor, numarul de epoci dupa care se face reportarea erorii, pragul de toleranta la care poate fi oprit algoritmul de invatare). De asemenea utilizatorul poate seta numarul de noduri din fiecare strat. Programul traseaza grafice ce contin seria de date initiale si datele obtinute la iesirea retelei dupa antrenare. Este de asemenea trasat graficul ce da evolutia erorii in procesul de antrenare.
Tehnicile de antrenare testate se bazeaza pe algoritmul standard backpropagation cu invatarea data de: algoritmul celor mai rapide coborari cu rata de invatare fixa sau variabila si moment, algoritmi rapizi precum resilient backpropagation (RPROP) si QUICKPROP. Rezultatele preliminare conduc la concluzia ca algoritmul RPROP prezinta cele mai bune caracteristici in antrenarea retelei. Acest algoritm este unul adaptiv in care rata de invatare se modifica in functie de schimbarile de semn ale derivatelor partiale in doua iteratii succesive.

Potentiali beneficiari ai sistemului:

Agentiile pentru Protectia Mediului

Directiile de sanatate publica

Scop educational: Institutiile de invatamant superior: specializarile din domeniul informatic (cursuri de inteligenta artificiala)

Stadiul de implementare a sistemului: in curs de finalizare

Pentru detalii apasati aici

<< Inapoi la lista de teme

Copyright © 2007 Mihaela Oprea. Toate drepturile rezervate.