CC BY
130
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №8/2015 ISSN 2410-6070
7. Радоуцкий В.Ю., Шаптала В.Г. Оптимальное распределение сил и средств, предназначенных для ликвидации последствий чрезвычайных ситуаций // Вестник БГТУ им. В.Г.Шухова 2013. №1. С. 138-139.
© В.Ю. Радоуцкий, Ю.В. Бондарь, Ю.В. Ветрова, 2015
УДК 614
В.Г.Шаптала
д.т.н., профессор кафедры «Защита в чрезвычайных ситуациях»
В.Ю.Радоуцкий
к.т.н., профессор кафедры «Защита в чрезвычайных ситуациях»
Е.Г.Ковалева
к.т.н., ст. преподаватель кафедры «Защита в чрезвычайных ситуациях» Белгородский государственный технологический университет
им. В.Г. Шухова г. Белгород, Российская Федерация
ОБОСНОВАНИЕ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ И ПОСЛЕДСТВИЙ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ
Аннотация
В работе проведено обоснования применения нейронных сетей для прогнозирования чрезвычайных ситуаций и этапы построения нейронной сети для моделирования чрезвычайных ситуаций
Ключевые слова
Прогнозирования, моделирования, нейронная сеть, персептрон, чрезвычайная ситуация
Задачей прогнозирования чрезвычайных ситуаций (ЧС) является выявление и изучение возможных сценариев развития ЧС, что является необходимой предпосылкой принятия решений в условиях их возникновения. Каждый альтернативный сценарий развития ЧС обусловлен определенным комплексом внешних условий. Математическая постановка задачи прогнозирования состояний объекта в условиях ЧС зависит от целей прогнозирования, используемого математического аппарата, а так же методов прогнозирования. Рассмотрим постановку задачи при использование аналитического метода прогнозирования [1, с. 153].
Предположим, что в состояние объекта описывается многомерной функцией состояния Q(k\, кг, ..., kn), где к\, кг, ..., кп - параметры объекта. В результате наблюдений установлены значения этой функции в моменты времени (to, й, ..., tm) е T: Q(to), Q(h), ..., Q(tm).
Необходимо найти значения функции состояния Q(tm+1), Q(tm+2), ..., Q(tm+x) в последующие моменты
времени (tm+1, tm+2, •••, tm+K) е T2.
Величина Q может представлять какой-либо обобщенный критерий состояния объекта Х. Задача заключается в определении такой функции (модели) F(X), которая позволяла бы найти значения прогнозируемой Y. Простейшей такое моделью является линейное соотношение вида:
Y = F(X) = a\X\ + агХг +...+ aiXi + в (1)
где Х1, хг, ..., Xi - наблюдаемые значения критерия Х; а\, аг, ..., ai - коэффициенты, в - случайная величина, характеризующая совокупную погрешность моделирования.
Коэффициенты функции F определяются из условия экстремума некоторого критерия, например, минимума среднеквадратической ошибки:
M(Y - F(X))2 = min.
13
(г)
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №8/2015 ISSN 2410-6070
Недостатком данного метода является невозможность прогнозирования качественных изменений состояний исследуемого объекта [2, с. 47].
Наряду с ЧС локального (объектового) уровня, необходимо рассматривать более масштабные ЧС муниципального, межмуниципального и регионального уровня. Модели управления в условиях таких ЧС носят иерархический, многоуровневый и многокомпонентный характер.
Перспективным методом прогнозирования параметров последствий ЧС является применения нейросетевых моделей. Эти модели позволяют решать задачи описания динамики состояний объекта в нормальных (штатных) условиях, в условиях неопределенности и ограничений по ресурсам. Для построения нейросетевых моделей чаще всего используются следующие подходы:
— конструируется сеть Хопфилда, как реализация некоторого алгоритма оптимизации;
— используется многослойный персептрон, который обучается оптимизационными методами по обучающей выборке, составленной по известным состояниям объекта.
Второй вариант позволяет получать прогноз изменения состояния объекта в режиме реального времени, т.е. практически мгновенно, что имеет первостепенное значения для управления в условиях ЧС [3, с. 112].
Первым этапом построения нейронной сети для моделирования ЧС является подготовка и анализ исходных данных для формирования обучающей выборки. Обучающая выборка представляет собой набор значений входных и выходных переменным, характеризующих состояние объекта. При наличие большого объекта информации важно правильно выбрать наборы входных и выходных переменных. Входных (прогнозируемых) переменных должно быть достаточно для описания динамики изменения состояния объекта, оценки ситуации и принятия управляющего решения. В числе входных и выходных переменных достаточно оставить лишь те, которые существенно влияют на изменения выходных переменных. При формировании обучающей выборки числовые данные нормируются на диапазон изменения 0 < Х < 1 по формуле:
Х =
Х- Х.
%'max Xmin
(3)
Нечисловые данные преобразуются в числовую форму вида (0;1) или переменные типа Ответ = (Да;
Нет).
Количество наблюдений, необходимых для получения обучающей выборки, устанавливается опытным путем.
Вторым этапом построения нейронной сети является выбор её архитектуры. Это может быть многослойные персептрон, сети Кохонена, сети адаптивного резонанса, рециркуляционные, встречного распространения и др.
Пример одной из возможных архитектур сети для прогнозирования состояния объекта представлен на рис 1 [4, с. 154]. В качестве входных параметров здесь используются значения параметра в предшествующие моменты времени [t - n; t], входным (прогнозируемым) параметрам является значение параметраХв момент времени t + 1.
X(t)
►
нейронная
X(t - 1) ► сеть
(персептрон) X(t + 1)
X(t - 2) ►
X(t 3) ►
--- ►
Рисунок 1 - Архитектура нейронной сети для прогнозирования параметров объектов в условиях ЧС
14
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №8/2015 ISSN 2410-6070
На третьем этапе построения нейросетевой модели определяется структура нейронной сети. В персептроне нейроны организованны в слои, причем элементы каждого слоя связанны только с нейронами предыдущего слоя, так что информация передается от предыдущих слоев в сети, а так же от числа нейрона в каждом слое влияет на способность сети решать те или иные задачи.
Для наиболее распространенного варианта нейронной сети- трехслойного персептрона минимальное число нейронов в единственном скрытом слое сети определяется по формуле:
n >
M-L + 1
(4)
где L - число нейронов во входном слое, M - параметр, определяющий размер обучающей выборки. После определения структуры нейтронной сети, нужно с помощью процедуры её обучения найти значения всех весовых коэффициентов, которые бы минимизировали ошибку прогноза, выдаваемого нейронной сетью.
Четвертый этап построения нейросетевой модели ЧС - обучения нейронной сети. Существуют несколько алгоритмов нейронных сетей.
Для решения задач прогнозирования параметров и последствий ЧС наиболее часто применяются алгоритм контролируемого обучения (обучения с учителем), при котором веса нейронной сети изменяются на основе обучающих выборок, содержащих значения входных и выходных (прогнозируемых) параметров.
Пятым, завершающим этапом построения прогнозирующей нейросетевой модели ЧС является её тестирование. Для этого формируется тестовая выборка, которая не использовалась в обучении сети. Тестовая выборка должна содержать известные значения выходных параметров, которые будут сравниваться со значениями, выдаваемыми нейронной сетью. Если среднеквадратическое отклонение известных значений будет меньше заданного уровня, то построенную модель можно использовать для решения задач прогнозирования параметров и последствий ЧС.
Список используемой литературы:
1. Радоуцкий В.Ю., Шаптала В.Г., Шаптала В.В. Применение нейронных сетей для прогнозирования количества пострадавших в высших учебных заведениях при чрезвычайных ситуациях техногенного характера // Вестник БГТУ им. В.Г.Шухова. 2011. № 3. С. 152-154.
2. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. 328 с.
3. Кусимов С.Т., Ильясов Б.Г., Исмаилова Л.А., Валеева Р.Г. Интеллектуальное управление производственными системами. М.: Машиностроение, 2001. 321 с.
4. Шаптала В.Г., Радоуцкий В.Ю., Шаптала В.В. Применение нейросетевых технологий для прогнозирования чрезвычайных ситуаций // Вестник БГТУ им. В.Г.Шухова. 2011. № 2. С. 152-154.
© В.Г. Шаптала, В.Ю. Радоуцкий, Е.Г. Ковалева, 2015
15
