Помощь в учёбе, очень быстро...
Работаем вместе до победы

Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации

Диссертация: Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Целью настоящего исследования является повышение эффективности мониторинга в различных областях человеческой деятельности при наличии неполной и нечеткой информации в качестве мониторинговых параметров путем разработки нейросетевых, нечетких и нейронечетких математических моделей, методов и алгоритмов расчетного мониторинга и их реализации в системе поддержки принятия решений в рамках… Читать ещё >

Содержание

  • Глава 1. Анализ моделей, методов и программных средств расчетного мониторинга
    • 1. 1. Проблемы и задачи мониторинга
    • 1. 2. Задачи экологической безопасности РТ
    • 1. 3. Обзор современных информационных систем в сфере экологической безопасности в России и в мире
    • 1. 4. Математические модели в экологии
    • 1. 4. Методы экологического моделирования
      • 1. 4. 1. Методы без использования искусственного интеллекта
      • 1. 4. 2. Методы искусственного интеллекта
    • 1. 5. Постановка задачи прогнозирования экологической ситуации
    • 1. 6. Постановка задачи поддержки принятия управленческих решений
  • Выводы
  • Глава 2. Прогнозирование экологической ситуации в РТ при помощи нейронных сетей
    • 2. 1. Методика прогнозирования на основе данных по изменениям характеристик источников загрязнений
      • 2. 1. 1. Выделение действующих факторов
      • 2. 1. 2. Проектирование нейросети
      • 2. 1. 3. Исключение малозначащих факторов из структуры нейросети
    • 2. 2. Методика прогнозирования загрязнений на основе данных по изменениям метеоусловий
      • 2. 2. 1. Нейросетевое прогнозирование уровня загрязнения конкретным токсикантом
        • 2. 2. 1. 1. Проектирование единой нейронной сети, прогнозирующей концентрации загрязнений по метеоданным
        • 2. 2. 1. 2. Пример практического применения прогнозирующей нейросети
      • 2. 2. 2. Метод редукции многослойного персептрона
        • 2. 2. 2. 1. Проведение численных экспериментов
    • 2. 3. Прогнозирование многосетевым экспертом
      • 2. 3. 1. Многосетевой эксперт I типа
        • 2. 3. 1. 1. Пример практического применения избыточной нейросетевой модели и многосетевого эксперта I типа
        • 2. 3. 1. 2. Сравнительная эффективность прогнозирования при применении избыточного нейросетевого эксперта и многосетевого априорного эксперта
      • 2. 3. 2. Методика проектирования и использования многосетевого эксперта II типа
        • 2. 3. 2. 1. Пример практического применения многосетевого эксперта II типа
        • 2. 3. 2. 2. Алгоритм определения числа кластеров для многосетевого эксперта II типа
      • 2. 3. 3. Сравнение эффективности применения многосетевых экспертов I и II типов
  • Выводы
  • Глава 3. Прогнозирование неблагоприятных экологических ситуаций на основе временного ряда измерений концентрации токсикантов и метеоданных
    • 3. 1. Задача определения зависимости критического временного интервала от НМУ
      • 3. 1. 1. Проведение численных экспериментов
    • 3. 2. Задача распознавания совокупности значений метеофакторов как угрожающей по превышению ПДК
  • Выводы
  • Глава 4. Модели и методы оценивания состояния окружающей среды для управления экологической безопасностью территории
    • 4. 1. Роль качественных оценок в задачах экологического управления
    • 4. 2. Управления экологическим риском с использованием систем нечеткого вывода
      • 4. 2. 1. Применение для решения задачи аппарата нечеткой логики
      • 4. 2. 2. Система расчета экологического вероятностного риска на основе нечеткого логического вывода по принципу Такаги-Сугено
      • 4. 2. 3. Нейро-нечеткая идентификация
    • 4. 3. Формирование модели на основе подхода Такаги-Сугено экспертным путем
      • 4. 3. 1. Проведение численных экспериментов
        • 4. 3. 1. 1. Проектирование системы
        • 4. 3. 1. 2. Идентификация системы
    • 4. 4. Автоматизированное формирование модели по принципу Такаги-Сугено
      • 4. 4. 1. Автоматизированное формирование нечеткой модели на основе решетчатого разбиения
        • 4. 4. 1. 1. Оценка точности системы нечеткого вывода, сгенерированной по алгоритму решетчатого разбиения
      • 4. 4. 2. Автоматизированное формирование нечеткой модели на основе горной кластеризации
        • 4. 4. 2. 1. Автоматизированное формирование нечеткой модели на основе горной кластеризации для 24 кластеров
        • 4. 4. 2. 2. Автоматизированное формирование нечеткой модели на основе горной кластеризации для 7 кластеров
        • 4. 4. 2. 3. Автоматизированное формирование нечеткой модели на основе горной кластеризации для 4 кластеров
      • 4. 4. 3. Метод автоматизированного формирование нечеткой модели на основе горной кластеризации
    • 4. 5. Система анализа вероятностного риска по принципу Мамдани
      • 4. 5. 1. Преобразование правых частей вывода Такаги-Сугено в функции принадлежностей для вывода Мамдани
      • 4. 5. 2. Проведение экспериментов
    • 4. 6. Методика реализации нейро-нечеткого подхода
  • Выводы

Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации (реферат, курсовая, диплом, контрольная)

В современных условиях задача мониторинга представляет собой сложную систему сбора, хранения и обработки информации, а также выработки решений на ее основе. Такие систематические, постоянные наблюдения, сбор и анализ данных о наблюдаемом объекте или явлении, проводятся во всех областях современной жизни.

Так, мониторинг в международных отношениях заключается в контроле международных организаций за исполнением государствами своих обязательств по международным договорам [31].

Мониторинг при проведении выборов обеспечивает легитимность всенародного голосования [132].

Мониторинг веб-сайтов — процесс проверки работоспособности и тестирования параметров доступности сайта или веб-сервиса в сети Интернет. Специальные сервисы мониторинга сайтов имитируют действия тысяч посетителей для того, чтобы посмотреть, как ресурс реагирует на посещаемость и использование различного функционала (провоцируют сбои) [30,140].

Медицинский мониторинг — процесс систематического или непрерывного сбора информации о функционировании различных органов и систем человека с дальнейшей обработкой (анализом) результатов специалистом-медиком, а также с выработкой практических мероприятий по лечению пациента. Медицинскому мониторингу посвящены, например, такие работы, как [40, 56].

Экологический мониторинг — система наблюдения, оценки и прогноза изменений состояния окружающей среды с выработкой рекомендаций по предотвращению вредных воздействий на окружающую среду. Наиболее характерными работами по экологическому мониторингу являются [50, 51].

Также большое количество исследований проводится в области технологического мониторинга [4, 52], мониторинга сельского хозяйства [70, 88] и др.

Так как мониторинг представляет собой сложную систему, позволяющую вырабатывать управленческие решения на основе накопленной информации, его современная реализация невозможна без привлечения вычислительной техники. Поэтому актуальным становится создание автоматизированных информационных систем, включающих в себя системы поддержки принятии решений (СППР) на основе современных математических моделей и методов, позволяющих эффективно использовать данные мониторинга.

В области современных интеллектуальных математических моделей и методов работают такие выдающиеся ученые, как: академик РАН Е. А. Федосов (ФГУП ГосНИИАС), академик К. А. Пупков (МГТУ им. Н.Э. Баумана), профессор Кузнецов О. П. (ИПУ РАН), профессор Лешек Рутковский (член Академии Наук Польши), профессор А. Н. Горбань (Лестерский Университет (Великобритания)) и др. Применение фундаментальных знаний в современных мониторинговых СППР, как правило, направлены на решения частных задач. Например, в работах Д. Ю. Стрункина и Л. Ю. Емалетдиновой рассматриваются модели медицинского мониторинга по прогнозированию выживаемости пациентов на основе нечеткой нейронной сети [127], применение моделей искусственного интеллекта при мониторинге систем информационной безопасности рассмотрено в работах Кочетковой A.C. [60], интеллектуальному мониторингу энергетических систем посвящены работы D. Niebur [172], нечеткие системы мониторинга теплоустановок рассмотрены в работах Михайленко B.C. и Никольского В. В. [89], и т. д. Однако необходимый системный анализ, комплексные подходы к построению интеллектуальных моделей мониторинга, а также исследование практической применимости моделей и методов отсутствуют.

Целью настоящего исследования является повышение эффективности мониторинга в различных областях человеческой деятельности при наличии неполной и нечеткой информации в качестве мониторинговых параметров путем разработки нейросетевых, нечетких и нейронечетких математических моделей, методов и алгоритмов расчетного мониторинга и их реализации в системе поддержки принятия решений в рамках автоматизированной информационной системы.

Выводы.

1. В процессе исследования методов и средств управления экологической ситуацией показано, что управление осуществляется на основе анализа состояния окружающей среды, либо ее отдельных составных частей, специалистами-экспертами. Отмечено, что подавляющее число экспертных оценок являются качественными, выраженными в лингвистической форме. На основании этого сделан вывод о целесообразности и эффективности применения в экологическом управлении аппарата нечеткой логики.

2. Предложен новый нейро-нечеткий подход к решению задачи оценки вероятностного риска окружающей среды.

3. Проведен анализ, показавший, что система расчета вероятностного риска окружающей среды эффективнее всего может быть реализована как система нечеткого логического вывода Такаги-Сугено. Исходными данными такой системы являются: a. Нечеткое множество состояний входных переменных (РВ (ПД, Рснег, Рпочв, Рбиоср) с заданными функциями принадлежности. b. Линейные зависимости выходной переменной Рос от нечетких значений входных переменных. Разрабатываются на основе экспертных оценок. c. Перечень нечетких логических правил вывода. Задается специалистами предметной области.

В результате своего функционирования система Такаги-Сугено генерирует четкое численное значение вероятностного риска окружающей среды Рос.

4. Разработан метод формирования модели нечеткого вывода типа Такаги-Сугено экспертным путем (Методика 7).

5. Показано, что в случае недостаточной точности системы логического вывода Такаги-Сугено возможно ее повышение за счет идентификации параметров модели при помощи нейро-нечеткой сети.

Разработан алгоритм идентификации (Алгоритм 4). После применения алгоритма точность модели увеличилась в 365 раз и составила порядка 0,15%.

6. Исследовано несколько схем автоматизированного формирования нечеткой модели Такаги-Сугено с различными характеристиками: a. Генерирование на основе решетчатого разбиения (не показало увеличения точности) — b. Генерирование на основе горной кластеризации (для трех модификаций). Лучшая модификация показала увеличение точности в два раза.

7. Разработан метод автоматизированного формирования модели нечеткого вывода типа Такаги-Сугено на основе горной кластеризации (Методика 8). Система, построенная по методике 8, обладает погрешностью относительно экспертных данных порядка 4%.

8. На основании дальнейших исследований сделан вывод, что анализ и оценку вероятностного риска окружающей среды целесообразно проводить на основе алгоритма нечеткого логического вывода Мамдани. Подавая на входы такой системы те же значения исходных данных Рвозд, Рснег, Рпочв, Рбиоср, что и в систему Сугено, в результате работы алгоритм Мамдани генерирует лингвистический термкачественную оценку состояния вероятностного риска Рос.

9. Разработан метод формирования модели Мамдани (Методика 9).

10. Проведена оценка анализа управления по алгоритму Мамдани. Показано, что качественная оценка риска оказывается более «настороженной», чем количественная.

11. Разработана обобщенная Методика 10 реализации нейро-нечеткого подхода для оценивания состояния окружающей среды.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе получены следующие результаты:

1. На основе системного анализа существующих автоматизированных информационных систем, а также нормативных актов и документов правительства РФ и РТ в сфере экологии, сформулированы основные задачи математического моделирования процессов прогнозирования и принятия решений с целью повышения эффективности информатизации экологического комплекса региона.

2. Анализ моделей и методов, используемых на сегодняшний день в экологии, показал, что в условиях неполных, неточных, а также качественных исходных данных целесообразно использовать методы, основанные на нечеткой логике, нейронных сетях, генетических алгоритмах, а также их всевозможных сочетаниях.

3. Для случая однородных данных разработан новый математический метод проектирования и оптимизации структуры нейросетевой модели для прогнозирования уровня токсикантов в атмосфере промышленных городов, включающий в себя эффективный численный метод редукции модели с целью повышения её способности к обобщению.

4. Для случая неоднородных данных в условиях ограниченных вычислительных ресурсов разработан новый математический метод проектирования и использования нейросетевой модели для прогнозирования уровня токсикантов на основе разбиения входного множества на кластеры сетью Кохонена.

5. Для случая неоднородных данных при отсутствии ограничений на вычислительные ресурсы разработан новый математический метод проектирования и использования нейросетевой модели для прогнозирования уровня токсикантов на основе разбиения входного множества на кластеры в зависимости от значения ошибки прогнозирования единой нейронной сетью.

6. Разработаны новые математические методы построения нейросетевых моделей прогнозирования момента возникновения неблагоприятных экологических ситуаций в удаленном от промышленной зоны районе на основе временного ряда измерений содержания токсикантов в атмосфере и метеоусловий.

7. Разработан новый нейро-нечеткий подход оценивания состояния окружающей среды на основе построения:

7.1 нечетких моделей расчета количественного значения экологического вероятностного риска окружающей среды и нейронечеткой идентификации в условиях: а) наличия экспертных оценокб) отсутствия экспертных оценок.

7.2 нечеткой модели качественной оценки экологического вероятностного риска на основе количественных оценок рисков отдельных сред.

8. Разработанные модели, численные методы и алгоритмы реализованы в виде комплексов программных модулей в среде MatLab 7.9.0, Statistica 8.0, Delphi 2010 и С# (Visual Web Developer 2010 Express).

Показать весь текст

Список литературы

  1. Н.С., Боголюбов А. Г. Экологические и генетические закономерности сосуществования и коэволюции видов. — Новосибирск: Наука, 1988.-333 е.-
  2. Л.Я., А.Е.Кузьмина, Л. М. Мамонтова и др. Прогнозирование экологических процессов. 1986. / Новосибирск: Наука, 1986
  3. В.А., Бабешенко О. М., Зарецкая М. В. и др. Создание комплексов программно-алгоритмических средств для анализа и прогноза состояния окружающей среды // Записки Горного института Т. 149.
  4. А.Д. Математическая биофизика взаимодействующих популяций. М.: Наука, 1985. — 180 е.-
  5. Э.Ю. Мониторинг состояния загрязнения атмосферы в городах. Результаты экспериментальных исследований. Д.: Гидрометеоиздат, 1986.
  6. Э.Ю., Смирнова И. В. Воздух городов и его изменения. СПб: Астерион, 2008. — 254с.
  7. И.В., Беспалов М. С., Клочкова Л. В., Кулешов A.A., Сузан Д. В., Тишкин В. Ф. Транспортная модель распространения газообразных примесей в атмосфере города. Математическое моделирование, 2000, т. 12, № 11.
  8. И.В., Беспалов М. С., Клочкова Л. В., Павлова Н.К, Сузан Д. В., Тишкин В. Ф. Сравнительный анализ некоторых математических моделей для процессов распространения загрязнений в атмосфере. Математическое4 моделирование, 1999, т. 11, № 7.
  9. В.И. Теория сложных геосистем. Киев: Наук, думка, 1978. -155 с.
  10. В.И., Ивахненко А. Г., Флейшман Б. С. Имитация, самоорганизация и потенциальная эффективность // Автоматика. 1979. № 6. С. 9−17.-
  11. М.Е. Метеорологические аспекты загрязнения атмосферы. М: Московское отделение Гидрометеоиздата, 1981
  12. М.Е. Прогноз и регулирование загрязнений атмосферы. JL: Гидрометеоиздат, 1985.
  13. С.А. Экологическое право. Учебник для вузов. — М.: изд-во Инфра-М Норма,, 2001. 434с.
  14. И. П., Арапова О. С. Определение оптимальных концентраций микроэлементов в организме человека на основе генетических алгоритмов. // Успехи современного естествознания. № 9 2008г
  15. П.М. Становление математической биологии. М.: Знание, 1985.-62 с.
  16. Брушлинский Н.Н./Разработка компьютерных проектов//Информационные системы М.1993.
  17. Е.В., Терехин А. Т., Чепурнов С. А. Генетический алгоритм оптимизации параметров нейронной сети, способной обучаться эффективному поиску пищи в лабиринте. Известия высших учебных заведений. Радиофизика, 1994, т. 37(9)90, 1162−1172.
  18. Е.В., Терехин А. Т., Чепурнов С. А. Эволюционная оптимизация параметров нейронной сети, управляющей поиском пищи в радиальном лабиринте. Нейроинформатика и нейрокомпьютеры. Рабочий семинар. Красноярск: Институт биофизики СО РАН, 1993, 27
  19. В.П. Рискология (Управление рисками) /В.П. Буянов. М.: Экзамен, 2002. 620 е.-
  20. A.A., Соленова Л. Г., Земляная Г. М., Фурман В. Д. Методические рекомендации по анализу и управлению риском воздействия на здоровье населения вредных факторов окружающей среды. М.: Издательство «АНКИЛ», 1999 72 е.
  21. А., Цефель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. ISBN: 5−93 772−032−6 М.: ДиаСофт, 2001 г. 608с.
  22. Ваницин К.Л./Экосистемы информации//Экол. аспекты М, 1991.
  23. Э.А. Основы статистического анализа. М.: ФОРУМ 2008 г. -464с.
  24. Вятков Н.И./Автоматика экологии сегодня//Ин-т инф-ки 1995.
  25. Л.А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы / Под ред. В. М. Курейчика. 2-е изд., испр. и доп. — М.: ФИЗМАТ ЛИТ, 2006.-320 с.
  26. С. В. Методы, критерии и алгоритмы управления процессом обеспечения промышленной безопасности нефтегазовых предприятий, основанные на теории нечетких множеств. Диссертация на соискание ученой степени кандидата экономических наук. Оренбург 2006
  27. Н.П., Матвеев В. А. Нечеткие системы экологического мониторинга и управления // Промышленные АСУ и контроллеры, № 1, -2004г.
  28. Демидов Михаил. Как осуществлять контроль интернет-трафика.// IT-Expert, Изд-во ИТ Медиа, № 4 (169) 2009 г., стр. 34−38
  29. Джеф Вершуерен. Прагматика и мониторинг международной коммуникации//Критика и семиотика. Бельгия, Вып. 1−2, 2000. С. 81−100.211
  30. С. А., Орлов Ю. В., Персианцев И. Г., Шугай Ю. С. Нейросетевые алгоритмы прогнозирования событий и поиска предвестников в многомерных временных рядах // Нейрокомпьютеры: разработка, применение. 2005. № 1−2. С. 21−28.
  31. Н. И. Шишкин А.И. Математическое моделирование и прогнозирование загрязнения поверхностных вод суши / Соавт.— JL: Гидрометеоиздат, 1989. — 390 с.
  32. А.Е., Брысова Л. П., Голубев И. Ф., Чегаев А. Е. Агролесомелиорация. М.: Колос. 1979. 208 с.
  33. Г. А., Савельев A.A., Будников Г. К. Применение нейросетевых технологий в экспертной системе оценки загрязнения сточных вод на основе холинэстеразных биосенсоров./ Всерос.конф. с межд. участием «Сенсор 2000» 21−23 июня 2000. С-Пб, 2000. С. 129.,
  34. A.A., Шумский С. А. «Нейрокомпьютинг и его применение в экономике и бизнесе». 1998.
  35. Ермолаев, О.П., A.A. Савельев, С. С. Мухарамова, К. А. Мальцев Подходы к районированию рельефа на основе его морфометрических показателей с использованием искусственных нейронных сетей // Труды212
  36. XII съезда Русского географического общества (Кронштадт, 2005). 2005. — Т. 4.- С 348−356.,
  37. С. В., Шулакова М. А. Система медицинского мониторинга и коррекции функционального состояния организма человека//Вестник УГАТУ, Уфа: УГАТУ, Т. 15, № 2 (42). 2011 с. 196−203
  38. A.A. Адаптивное растениеводство: эколого-генетические основы. Кишинев: Штиинца. 1990. 432 с.
  39. Ю.П. Нечеткие модели и методы в интеллектуальных системах.: Киев, Слово 2008.- 344с.
  40. Ю. Ф. Контроль параметров движения с использованием лазеров. Методы и средства. М.: Машиностроение 1981 г. 176с.
  41. М.Ю., Лупян Е. А., Назиров P.P. Создание информационного центра для поддержки пользователей спутниковых данных. // Исследования Земли из космоса. 1994. № 4. С. 88−91.
  42. М.Ю., Лупян Е. А., Назиров P.P. Организация системы оперативного доступа удаленных пользователей к спутниковым данным. // Исследования Земли из космоса. 1996. № 5. С.67−72.
  43. Е.А. Экологическое моделирование в оценке функционирования водных экосистем с условиях антропогенной нагрузки (на примере озера Байкал). Диссертация на соискание учено степени доктора биологических наук. Иркутск 2004
  44. А.И., Зотин A.A. Направление, скорость и механизмы прогрессивной эволюции: Термодинамические и экспериментальные основы. М.: Наука. 1999. 320 с.
  45. Е. В. Эколингвистика и роль метафоры при описании экологических проблем. Вестник Челябинского государственного университета № 13 (91) 2007 г.
  46. O.A. Повышение экологической безопасности автотранспорта региона на основе систем мониторинга // Современные наукоемкие технологии № 4, 2008
  47. Ю. А. Экология и контроль состояния природной среды. Л.: Гидрометеоиздат, 1979, — 376 с.
  48. Израэль Ю. А Глобальная система наблюдений. Прогноз и оценка окружающей природной среды. Основы мониторинга. Метеорология и гидрология. 1974, № 7. — С.3−8
  49. В.А., Колбенков A.B., Лях Е.В., Перекалин С. О. Радиоволновой метод мониторинга технологических процессов в межскважинном пространстве// Вестник КРАУНЦ. Науки о земле. 2009 № 2. выпуск № 14 с. 59−68.
  50. Р. Основные концепции нейронных сетей.: Пер. с англ. М. Издательский дом «Вильяме», — 2001, -287с. с ил.
  51. И.Г. «Оценка ущерба в системах экологического менеджмента». В сб.: «Менеджмент качества и экологический менеджмент. ИСО 9000. ИСО 14 000». М. Изд-во СТАНКИН, 2001. с. 104 113
  52. И.Л. Введение в эволюционное моделирование: Учебное пособие. Воронеж: ИПЦ ВГУ, 2007. — 39 с.
  53. E.H., Кафтырева Л. А., Светличная Ю. С., Техова И. Г., Даулетбакова A.M. Микробиологический мониторинг в практике учреждений здравоохранения// Заместитель главного врача, Издательский дом ЗАО «МЦФЭР», № 01 2013
  54. Концепция обеспечения агроэкологической безопасности в Республике Татарстан. Казань, Издательский дом «Меддок», 2006 г.
  55. В.В., Васютин C.B. «Самоорганизующийся иерархический коллектив экспертов», Нейрокомпьютеры и их применение, книга 27, М.:Изд-во Радиотехника 2007 г. с. 56−59
  56. О.Г. Надо переходить на агроландшафтное земледелие // Земледелие. 1990. N6. С. 35−38.
  57. А. С. Применение нейронных сетей для мониторинга безопасности информационных систем // Вестник ВолГУ. Серия 9: Исследования молодых ученых. 2007. № 6.
  58. Д.А. мл., Хауз Г. Дж., Снайдер Р. и др. Сельско-хозяйственные экосистемы. М.: Агропромиздат. 1987. С. 75−84.
  59. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика.- М.: Горячая линия Телеком, 2002. — 382 с.
  60. В.В., Киров М. Ю. Инвазивный мониторинг гемодинамики в интенсивной терапии и анестезиологии. Архангельск: Правда Севера, 2008 г. 242с.
  61. Г. Е. Климат города. Л.: Гидрометеоиздат, 1983.
  62. А.П. Структура экологических сообществ. М.: Изд-во Моск. унта. 1980.- 181 с.
  63. А. Нечеткое моделирование в среде MatLab и Fuzzy Tech. Санкт-Петербург, БХВ Петербург, 2005. 719 стр.
  64. М.И., Рябов Е. И. Защита земель от эрозии и охрана природы. М.: Агропромиздат. 1989. 240 с.
  65. Е.А., Барталев С. А., Савин И. Ю., Толпин В. А. Спутниковые технологии мониторинга в сельском хозяйстве: возможности доступа к спутниковым данным и результатам их обработки по территории россии.215
  66. Материалы международной конференции «Информационный обмен в сельском хозяйстве на русском языке», РГАУ-МСХА имени К. А. Тимирязева, 2010 г. с. 167−171
  67. Люгер Джордж Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем Издательство: Вильяме, 2005 г.
  68. Н. ДеМерс Географические информационные системы. Основы. Москва. «Дата+"1999
  69. Манд ель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. -176с.
  70. В. В., Филатов Н. Н., Потахин М. С. Экспертная система «ОЗЕРА КАРЕЛИИ». 2. Классификация озер. // Водные ресурсы том 36, № 3, Май-Июнь 2009
  71. Методика определения выбросов автотранспорта для проведения сводных расчетов загрязнения городов (утверждена приказом Госкомэкологии России № 66 от 16 февраля 1999 г.). СПб.: НИИ Атмосфера. -16 с.
  72. Методика определения массы выбросов загрязняющих веществ автомобильными средствами в атмосферный воздух./Гос.НИИ автомобтрансп. (НИИАТ). М., 1993. — 22 с.
  73. Методика определения предотвращенного экологического ущерба. Государственный комитет РФ по охране окружающей среды. М., 1999
  74. Методика оценки воздействия промышленных предприятий на окружающую среду по техногенным факторам. М.: ЭкоНИИПроект, 1992.- 115 с.
  75. Методика расчета концентрации в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий. ОНД-86.Л.:Гидрометеоиздат, 1987, 94 с.
  76. Методика расчетов выбросов в атмосферу загрязняющих веществ автотранспортом на городских магистралях. М.: Изд-во Минтранспорта РФ. — 1997.-55 с.
  77. Методические основы оценки и регламентации антропогенного влияния на качество поверхностных вод. JL: Гидрометеоиздат. 1987.
  78. Методические рекомендации по геохимической оценке загрязнения территории городов химическими элементами. М.: ИМГРЭ, 1982. — 112 с.
  79. Методические указания по оценке воздействия на окружающую среду объектов транспортно-дорожного комплекса. М.: НИИАГ, 1995. — 23 с.
  80. Методические указания по прогнозированию загрязнения воздуха в городах с учетом метеорологических условий. РД 52.04.78−86. М.: Госкомгидромет. СССР, 1986.
  81. Методические указания по расчету выброса вредных веществ автомобильным транспортом. М.: Гидрометеоиздат, 1983. 22 с.
  82. .М., Хазиахметов P.M., Соломещ А. И. Оптимизация структуры агроэкосистем: содержание, проблемы и подходы в реализации // Журнал общей биологии. 1992. Т. 53. N1. С. 18−30.
  83. .М., Хазиев Ф. Х., Хазиахметов P.M. Сестайнинг агроэкосистем: история, концепция, конструктивный подход. Препринт. Уфа. 1992.36 с.
  84. И. М., Управление системами точного земледелия. — СПб.: Изд-во С.-Петерб. ун-та, 2005. — 234 с.
  85. Ю.П., Кузьмина Т. С., Баранов В. А. Устойчивое развитие: экологическая оптимизация arpo- и урболандшафтов. Учебное пособие: / Волгоград, Изд-во ВолГУ, 2002. 122с.
  86. В.В. Теория эксперимента. М.: Наука, 1971. — 207 с.
  87. . Наука об окружающей среде: Как устроен мир: В 2-х т. Т. 2. Пер. с англ. М.: Мир. 1993. 336 е., ил.
  88. Н.Г., Гунаеекера X., Натечатека Ч., Эджаку Э. Биологическое обоснование защиты сои от сорняков // Земледелие. 1995. N2. С. 6−7.
  89. C.B. Тунакова Ю. А., Валиев B.C., Исмаилова Е. С. Технология расчетного экологического мониторинга (монография). Казань, изд-во ИПК Бриг, ISBN 978−5-98 946−040−3. 2010 г. Рекомендовано к изданию Ученым советом КГТУ им. А.Н. Туполева
  90. C.B., Тунакова Ю. А. Методические подходы к оценке вклада выбросов автотранспорта в уровень загрязнения приземного слоя атмосферы металлами (на примере г. Казани) // Безопасность жизнедеятельности. Москва, 2006. — № 10.-С.40−45.
  91. C.B., Тунакова Ю. А. Прикладная экология. (Учебное пособие).- Казань: Изд-во КГТУ им. Туполева, 2008. 153с.
  92. C.B., Тунакова Ю. А., Методика редукции многослойного персептрона (на примере экологического прогнозирования) // Вестник Ижевского Государственного технического университета, 2010 г. стр. 126 129.
  93. Ю.П. Сельско-хозяйственные экосистемы. М.: Агропромиздат. 1987. С. 12−18.
  94. А.И. Организационно-экономическое моделирова-ние: учебник: в 3 ч. Часть 1: Нечисловая статистика. М.: Изд-во МГТУ им. Н. Э. Баумана.-2009.-541 с.
  95. А.И. Проблемы управления экологической безопасностью. Учебное пособие. Институт высоких статистических технологий и эконометрики. Второе электронное издание, исправленное и дополненное. Москва, 2002. http://orlovs.pp.ru/ecol.php
  96. С. Нейронные сети для обработки информации. / Пер. с польского И. Д. Рудинского: М. Финансы и статистика, 2002, — 344с. с ил.
  97. Г. Б. Роль леса в экологической стабилизации ландшафтов. М.: Наука. 1989. 214 с.
  98. Дж., Маккей С. Сбор данных в системах контроля и управления. М.: Изд-во: Группа ИДТ, 2006 г. 505с.
  99. P.C. Экономический механизм экологического менеджмента. М.: Изд-во РАГС, 1998. М., 1998. 324с.
  100. H.H., Пастернак П. С. Оптимизация агроландшафтов // Вестник с.-х. науки. 1987. N12. С. 128−134.
  101. Прогнозирование высоких уровней загрязнения воздуха в городах и промышленных регионах.// Современные исследования ГГО. 1999. Т1.С.127−143.
  102. Рассел Стюарт, Норвиг Питер Искусственный интеллект. Современный подход Издательство: Вильяме, 2007 г.
  103. Регионы России. Социально-экономические показатели. 2004: Р32 Стат.сб./ Росстат. М., 2006. — 966 с.
  104. В. Эволюционная биокибернетика // Компьютера № 11 1999.
  105. Г. Ю., Рубин А. Б. Математические модели биологических продукционных процессов. Учебное пособие. М.: Изд-во Моск. ун-та. 1993.-302с.
  106. Г. С. Математические модели экологического прогнозирования. «Человек и биосфера». Москва. 1983. Вып. 8.
  107. Г. С. Модели в фитоценологии. М.: Наука, 1984. — 256 с.
  108. Г. С., Шитиков В. К., Брусиловский П. М. Экологическое прогнозирование (Функциональные предикторы временных рядов). -Тольятти: ИЭВБ РАН, 1994а. 182 с.
  109. Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. М. Горячая линия Телеком, 2006 -452 е., с ил.
  110. A.A. Биохорологическое разнообразие и моделирование пространственной структуры растительного покрова (геоинформационный подход). Диссертация на соискание ученой степени доктора биологических наук, Казань 2004,
  111. Ю.М., Логофет Д. О. Устойчивость биологических сообществ. М.: Наука, 1978. — 350 с.
  112. Дж. М. Модели в экологии. М.: Мир, 1976.
  113. В.В., Волкова Е. В., Алиев A.A. От хранения данных к управлению информацией. ISBN: 978−5-4237−0008−9 СПБ: Питер, 2010 г.-528 страниц
  114. Л.Р. Синоптико-статистический анализ и краткосрочный прогноз загрязнения атмосферы. Л.: Гидрометеоиздат, 1991.
  115. В.Е., Молдован А. И., Стоев В. Г. Агроэкологические аспекты склонового земледелия в Молдавии. Кишинев: Штиинца. 1990. 195 с.
  116. М., Гнаук А. Пресноводные экосистемы: математическое моделирование. М .: Мир, 1989. 376 с.
  117. А. Прогнозирование деградации выходных параметров ТТЛ ИС// Компоненты и технологии № 8 2005г.
  118. Д.Ю., Емалетдинова Л. Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети // Искусственный интеллект и принятие решений. 2010. № 3. С. 158−162.
  119. А. Г., Корсакова И. М.Назначение, обозначение и контроль параметров шероховатости поверхностей деталей машин. ISBN 978−52 760−1784−6 Издательство: МГИУ, 2010 г. 112с.
  120. М., Тэрано Т., Асаи К. Прикладные нечеткие системы. Пер. с японского Ю. Н. Чернышова: М. Мир 1993 г.
  121. М.С. Нейрокомпьютерные системы. БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий ИНТУИТ.ру, 2006
  122. В.Н. Предупреждение неопределенности в управлении риском / В. Н. Усов // Управление риском. 2003. № 4. С.23−26.-
  123. Учебное пособие по контролю за соблюдением прав человека. Глава XIV- Наблюдение за ходом выборов. ISSN 1020−1688 Изд-во ООН, Нью-Йорк, Женева, 2002 г. 166с.
  124. В.Д., Гильманов Т. Г. Экология. М.: МГУ, 1980. — 464 с.
  125. В.В., Видрученко М. В. Экономика природопользования. Учебное пособие, обучающихся по специальности «Геоэкология». -Волгоград, Изд-во ВолГУ, 2004 г. 148с.
  126. .С. Основы системологии. М.: Радио и связь, 1982. — 368 с.
  127. .С., Брусиловский П. М., Розенберг Г. С. О методах математического моделирования сложных систем // Системные исследования. Ежегодник. -М.: Наука, 1982. С. 65−79.-
  128. П.В., Левич А. П. Математическое моделирование в экологии сообществ. // Проблемы окружающей среды (обзорная информация ВИНИТИ), № 9, 2002.
  129. . A.A. Пулян М. Л.Н. Бельдеева и др. Введение в экологическое моделирование. Барнаул: «Азбука», 2001.— 315с.
  130. Шилдс Грег. Мониторинг серверов с помощью System Center Essentials 2010 //TechNet (электронный журнал http://technet.microsoft.com) 18.02.2011.
  131. В.К., Розенберг Г. С., Зинченко Т. Д. Количественная гидроэкология: методы системной идентификации. Тольятти: ИЭВБ РАН, 2003.-463 с.
  132. P.A. Методика разработки нечеткой базы знаний для системы экомониторинга // Успехи современного естествознания. № 11, 2003
  133. С.Д. Введение в теорию нечетких множеств и нечеткую логику. Винница: Издательство винницкого государственного технического университета, 2001.- 198 с.
  134. С.Д. Проектирование нечетких систем средствами MatLab. M.: Горячая линия-Телком 2007, 284с.
  135. А.Ю. Метеорологический режим и загрязнение атмосферы городов. Калинин: издательство КГУ, 1987.
  136. В.В. Критерии риска. Критерии экологической безопасности. Материалы Российской научно-практической конференции 25−27 мая 1994. СПб, 1994, С.17−29.
  137. . Н.В. Нейросетевое моделирование процессов загрязнения окружающей среды. Диссертация на соискание ученой степени кандидата физико-математических наук. Екатеринбург, 2007 г.
  138. Н.Г. Основы теории нечетких и гибридных систем М.:Финансы и статистика, 2004
  139. Н.Г., Ястребова Н. Н., Ястребов И. С. Экспертная система анализа экологической безопасности. Труды одиннадцатой национальной конференции по искусственному интеллекту с международным участием КИИ, Россия, Дубна, 2008 Т.2
  140. Brosse S., Guegan J.-F., Toureng J.N. Lek S., The use of using neural networks to assess fish abundance and spatial occupancy in the littoral zone of a mesotrophic lake. / Ecological modeling 120, 1999 pp.299−311.
  141. Castro J. L. Fuzzy logic controllers are universal approximators //
  142. EE Trans, on SMC 25, pp. 629−635, 1995.
  143. Chen D.G., Ware D.M., A neural network model for forecasting fish stock recruitment. / Canada Journal Fish Aquatic Science 56, 1999. pp. 2385−2396.
  144. Cordon O., Herrera F., A General study on genetic fuzzy systems // Genetic Algorithms in engineering and computer science, 1995. P. 33−57.
  145. Ford A. Modeling the Environment. An Introduction to System Dynamics Modeling of Environmental Systems. Washington: Island Press, 1999
  146. Haugen E. The Ecology of Language. In: Fill A., Mbhlhflusler P. The Ecolinguistics Reader. Language, Ecology and Environment. London, New York, 2001.
  147. Holland J. H. Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor, 1975
  148. Hush D., Home B. Progress in supervised neural networks. // IEEE Signal processing Magazine 1993, January, Pp.8−39
  149. International Journal of Digital Earth ISSN: 1753−8955 (electronic) 17 538 947 Publication Frequency: 4 issues per year
  150. John R. Koza Genetic Programming: On the Programming of Computers by Means of Natural Selection (Complex Adaptive Systems), MIT Press. ISBN 0262−11 170−5. 1992−819c.
  151. Jorgensen S.E. Integration of Ecosystem Theories: a Pattern 2nd. Dordrecht: Kluwer. 1997. 400 p.
  152. Jorgensen S.E., Bendoricchio G., Fundamentals of Ecological Modelling. 3rd ed. Amsterdam: Elsevier. 2001.544 p.
  153. Jorgensen S.E., Fundamentals of Ecological Modelling. V. 9. Developments in Environmental Modelling. Amsterdam: Elsevier. 1986.389 p.
  154. Jorgensen S.E., Mejer H. Next generation of ecological models Proceedings of the Work Conf. on Envir. Syst. Anal, and Manag. Rome. 1982. Pp.485 -493.
  155. Karul C., Soypak S., Cilesiz A.F., Germen E. Case studies on the use of neural networks in eutrophication modeling // Ecological modelling. 2000. 134.-Pp.145 — 152.
  156. Kohonen Teuvo Self-Organizing Maps. H3, o,-bo Springer Verlag, 2001, 3-H3flaHne. 501c.
  157. Kosko B. Fuzzy systems as universal approximators // Proc. of the IEEE Int. Conf. on Fuzzy Systems. San Diego, 1992, pp. 1153−1162.
  158. Lae R., Lek S., Moreau J., Predicting fish yield of African Lakes/ Ecological modeling 120, 1994. pp. 325−335.
  159. Lotka A.J. Contribution to the energetics of evolution // Proc. Natl. Acad. Sci. 1922. N.8. — Pp.147 — 150.
  160. Margalef R. Perspectives in ecological theory. Chicago: Chicago University Press. 1968.- 122 p.
  161. Mauersberger P. From a theory of local processes in aquatic ecosystems to a theory at the ecosystem scale // Sci. Total Environ. 1996. 183. — Pp.99 — 106.
  162. Niebur D. Artificial neural networks for power systems: a literature survey. (Swiss Federal Inst, of Technol., Lausanne, Switzerland). Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.1, no.3, p.133−58 (Dec. 1993), received: 11 Oct 1994.
  163. O’Neill R.V., DeAngelis D.I., Waide J.B., Allen T.F.H. A Hierarchical Concept of Ecosystems. Princeton, NJ: Princeton University Press. 1986.
  164. Odum H.T., Pinkerton R.C. Time’s speed regulator: the optimum efficiency for maximum power output in physical and biological systems // Am. Sci. -1955. 43.-Pp.331 -343.
  165. D.F. (1980). How plants may benefit from the animals that eat them. Oicos 35. P. 230−235.
  166. Paton D., Salvado A., Venegas F. Relationships between metabolizable energy and chemical parameters from forest fruits using a parallel genetic algorithm worldwide model. // New research on forest ecology ISBN 160 021−434−7 2007 pp. 129−140
  167. Patten B.C. Energy cycling, length of food chains, and direct versus indirect effects in ecosystems // Ecosystem Theory for Biological Oceanography. Can. Bull. Fish. Aquat. Sci. 1986. 213. — Pp.119 — 138.
  168. Patten B.C. Network integration of ecological extremal principles: exergy, emergy, power, ascendency and inderect effects // Ecological modelling. -1995. 79.-Pp.75−84.
  169. Perez-Espana H., Arreguin-Sanchez F. A measure of ecosystem maturity // Ecologocal Modelling. 1999. 119. — Pp.79 — 85.
  170. Ruxton Graeme D- Beauchamp Guy The application of genetic algorithms in behavioural ecology, illustrated with a model of anti-predator vigilance. // Journal of theoretical biology 2008−250(3): pp.435−48.
  171. Scardy M. Advances in neural network modeling of phytoplankton primary production. / Ecological modeling 146, 2001. pp. 33−46
  172. Scardy M. Artificial neural networks as empirical models for estimating phytoplankton production. / Marine Ecological Problem series 139, 1996. pp. 289−299.
  173. Schneider E.D., Kay J.J. Lffe as a manifestation of the second law of thermodynamics // Math. Comput. Model. 1994. 19. — Pp.25 — 48.-
  174. Seginer I., Boulard T., Bailey B.J. Neural network models of the greenhouse climate. // Journal Agriculture Engineering Resourses #59 pp.203−216
  175. Shu-Heng Chen, Chih-Chi Ni Simulating the ecology of oligopolistic competition with genetic algorithms // Knowledge and Information Systems archive Volume 2, Issue 3 (August 2000) pp. 285 309
  176. Sovan Lek and J.-F. Guegan, Artificial Neuronal Networks, Application to Ecology and Evolution. Springer-Verlag. Heidelberg. 2000
  177. The Eco-indicator 95. Final report 9523. Utrecht, the Netherlands: Novem (National Agency for Energy and the Environment), 1995.
  178. The Eco-indicator 99. Methodology report. Amersfoort, the Netherlands: Pre Consultants (product ecology consultants), 1999.
  179. Tundisi JG, Straskraba M, Theoretical reservoir ecology and its applications. Backhuys Publishers, 1999, The Netherlands, 592p.
  180. Ulanowicz R.E. Growth and development: Ecosystems Phenomenology. N.Y.: Springer. 1986. 203 p.
  181. Ulanowicz R.E., Hannon B.M. Life and production of entropy // Proc. R. Soc. Lond. 1987. 232. — Pp.181 — 192.-
  182. Vapnik V.N., Chervonenkis A. On the uniform convergence of relative frequencies of events to their probabilities. //Theory of Probability end its Applications, 1971, Vol.16, Pp. 264−280
  183. Verbruggen H.B., Babuska R. Constructing fuzzy models by product space clustering // Fuzzy model identification / Eds. H Helendorn, D. Driankov. Berlin: Springer, 1998 pp 53−90
  184. Wang L. X. Fuzzy systems are universal approximators // Proc. of the IEEE Int. Conf. on Fuzzy Systems. San Diego, 1992, pp. 1163−1169.
  185. Whittaker R.H., Woodwell G.M. Evolution of natural communities // Ecosystem Structure and Function. Corvallis: Oregon State University Press. 1971.-Pp.137- 159.
  186. Xue Q., Hu Y., Tompkins W. Analysis of hidden units of back propagation model by SVD // Proc. IJCNN, 1990, Washington pp. 739−742.)
Заполнить форму текущей работой

Пора сдавать?