CC BY
17
УДК 681.3.06:004.8 Маркин И.С., Дударов С.П.
ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ИНТЕРПОЛИРОВАНИЯ ПОЛЕЙ ЗАГРЯЗНЕНИЯ АТМОСФЕРЫ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ РАДИАЛЬНО-БАЗИСНЫХ ФУНКЦИЙ
Маркин Иван Сергеевич, студент 2 курса магистратуры факультета информационных технологий и управления; Дударов Сергей Павлович, к.т.н., доцент, декан факультета информационных технологий и управления, e-mail: dudarov@muctr.ru;
Российский химико-технологический университет имени Д. И. Менделеева, Москва, Россия 125047, Москва, Миусская пл., д. 9
Разработано программно-алгоритмическое обеспечение для интерполирования данных о загрязнении атмосферы, получаемых в режиме реального времени со стационарных и мобильных станций контроля. Интерполирующая модель строится на основе искусственной нейронной сети радиально-базисных функций (РБФ). Представлена структура использованной нейронной сети. Описан порядок настройки и обучения сети с целью получения результатов, содержащих наименьшую ошибку расчёта. Результаты интерполирования представляются конечному пользователю в виде полей распределения индекса качества воздуха на карте местности. Сформулированы ограничения и преимущества описанного программного обеспечения и направления дальнейших исследований и разработок.
Ключевые слова: программное обеспечение, искусственная нейронная сеть, радиально-базисная функция, РБФ-сеть, обучение нейронной сети, интерполирование, индекс качества воздуха, загрязнение атмосферы, станция контроля.
SOFTWARE FOR ATMOSPHERE POLLUTION FIELD INTERPOLATION IN REAL-TIME MODE USING NEURAL NETWORKS OF RADIAL-BASIS FUNCTIONS
Markin I. S., Dudarov S. P.
D. Mendeleev University of Chemical Technology of Russia, Moscow, Russia
Software for interpolation of data about atmosphere pollution, which received in real-time mode from stationary and mobile monitoring station, has been developed. Interpolation model is built basing on artificial neural network of radialbasis functions (RBF). Structure of used neural network has been presented. Plan of neural network's setting and training with aim of receiving of results containing minimal evaluation error has been described. Interpolation results are presented to user as fields of air quality index distribution on the location map. Limitations and advantages of described software and directions of further investigations and developments are formulated.
Keywords: software, artificial neural network, radial-basis function, RBF neural network, neural network training, interpolation, air quality index, atmosphere pollution, monitoring station.
Задача оценки экологической обстановки стоит достаточно остро для крупных городов с высоким уровнем интенсивности потоков автомобильного транспорта и городов - промышленных центров. Загрязнение окружающей среды источниками техногенного происхождения происходит повсеместно и постоянно. Для контроля экологической обстановки создаются стационарные и мобильные станции, которые собирают данные в режиме реального времени. Тем не менее, информация, получаемая ими, лишь локально, не на всей территории характеризует качество воздуха. Для оценки и анализа уровней загрязнения на большой площади необходимо решать задачу интерполирования показателей загрязнения по данным, собираемым на всех доступных станциях контроля.
Решение поставленной задачи требует разработки специального математического, программно-алгоритмического и информационного обеспечения. Как один из наиболее эффективных математических аппаратов, используемых для оценки уровня загрязнения атмосферы,
зарекомендовали себя искусственные нейронные сети [1] и модели, построенные на их основе [2]. Данная работа посвящена разработке перечисленных выше видов обеспечения. В качестве математического обеспечения выбраны
искусственные нейронные сети многомерных радиально-базисных функций (РБФ-сети), которые при правильной настройке позволяют интерполировать зависимости с очень низким уровнем ошибки [3].
В структуру РБФ-сетей входят два слоя нейронов. Первый (скрытый) слой - это слой одномерных или многомерных радиально-базисных функций - функций, монотонно и симметрично убывающих относительно некоторой вертикальной оси. В настоящей работе в качестве активационных функций скрытого слоя используются двумерные гауссианы: = ехр(-|| Х-Х2).
Выходы нейронной сети рассчитываются как линейные комбинации значений радиальных элементов, скорректированные весовыми
коэффициентами нейронов второго слоя $.
Количественный и качественный составы входов и выходов сети определяются особенностями решаемой задачи [4]. Для интерполирования показателей загрязнения атмосферы в данной работе используются два входа - координаты точки, в которой рассчитывается загрязнение (широта и долгота - X], х2), и одно выходное значение - индекс качества воздуха (у), линейно связанный с концентрацией загрязняющего вещества. Выбор данного показателя в качестве целевой переменной решаемой задачи обусловлен тем, что доступные международные онлайн-сервисы представляют данные о загрязнении именно в такой форме. Количество нейронов скрытого слоя (и) может варьироваться с целью улучшения качества получаемых результатов (минимизации ошибки расчёта), но не может быть больше объёма обучающей выборки. Структура используемой нейронной сети приведена на рис. 1.
Рис. 1. Структура РБФ-сети для интерполирования загрязнения
Обучение РБФ-сети заключается в подборе параметров радиальных элементов (параметров насыщения а и векторов-центров С) с последующим расчётом весовых коэффициентов W по
соотношению: W = ^H • Hj • ~H • С, гДе H -
матрица выходов радиальных элементов, полученных для всех обучающих примеров. Параметры насыщения подбираются с учётом среднего расстояния до нескольких ближайших станций контроля. Центры радиальных элементов совпадают с центрами станций контроля.
РБФ-сеть для поставленной практической задачи реализована в среде разработки Qt 5.10 на языке программирования C++. Программа имеет графический, дружественный пользователю интерфейс со стандартными элементами управления и возможностью гибкой настройки формата представления результатов моделирования. Она предназначена для работы в операционных системах семейства Windows, требует около 60 Мб
оперативной памяти, около 80 Мб памяти на жёстком диске, доступ в сеть Интернет и наличие видеокарты со 128 Мб памяти и поддержкой DirectX 9.
Для работы с программой вводится список ссылок на датчики состояния загрязнения атмосферы территории одним из возможных способов: ручным вводом в таблицу или загрузкой из файла. Также необходимо выбрать загрязняющее вещество, по которому будет производиться расчёт: твёрдые взвеси РМю и РМ2,5, а также газы O3, NO2, SO2, CO. Оперативные данные о текущем состоянии атмосферы загружаются через сеть Интернет.
Для оценки правильности обучения нейронной сети данные с части датчиков могут быть не использованы в процессе обучения, а задействованы для расчёта ошибки в процессе тестирования уже обученной нейросетевой модели. По величине тестовой ошибки (с целью её минимизации) подбирается оптимальное значение параметра насыщения а.
Визуализация датчиков, с которых получены данные, и результатов интерполирования индекса качества воздуха производится на карте местности, также загружаемой из сети Интернет с сервиса Google Static Maps по данным координат местности, соответствующих задействованным станциям контроля. Для любой точки местности по обученной РБФ-сети может быть рассчитано значение индекса качества воздуха. Оно визуализируется в соответствующей цветовой гамме: от зелёной (для отличного качества атмосферы) до тёмно-красной (для опасного, угрожающего здоровью уровня загрязнения) (рис. 2).
Результаты моделирования, отображаемые на карте местности, могут быть сохранены в различных растровых графических форматах для дальнейшего использования. С их помощью могут решаться задачи оперативного управления качеством воздушной среды территории, поддержки принятия решений в условиях неблагоприятной экологической обстановки и другие.
Корректность получаемых результатов кроме правильной настройки нейронной сети будет также зависеть от степени покрытия исследуемой территории датчиками состояния воздушной среды. При низкой плотности станций контроля правильно обучить искусственную нейронную сеть невозможно, а значит невозможно добиться правильной интерпретации её результатов расчёта. Также важно отметить, что результаты интерполирования актуальны только для областей внутри сети станций контроля и в непосредственной близости от её границ.
Рис. 2. Визуализация результатов интерполирования индекса качества воздуха
Обновление данных с датчиков требует нового обучения нейронной сети, однако особенности РБФ-сетей таковы, что процесс этот очень быстрый, и новые результаты могут быть фактически получены в режиме реального времени. С другой стороны, благодаря этим особенностям выбранной нейросетевой архитектуры для обучения могут загружаться данные не только стационарных, но и передвижных станций контроля.
К ограничениям текущей версии разработанной программы следует отнести необходимость ручного подбора параметров обучения оператором, невозможность определения параметра насыщения индивидуально для каждого радиального элемента, соответствующего конкретной станции контроля, невозможность изменения масштаба и перемещения по карте с нанесёнными на неё результатами интерполирования индекса качества воздуха.
Преимуществами программного обеспечения являются высокая скорость работы, наличие актуальной информации о загрязнении воздуха, гибкость настройки модели с целью минимизации ошибки расчёта, возможность представления результатов обучения в предварительно выбранном масштабе карты (от размеров нескольких кварталов до большого района или области), изменение прозрачности слоя загрязнения, возможность офлайн-работы с ранее полученными со станций контроля данными.
Дальнейшие исследования в рамках данного направления планируется связать:
- с расширением функциональных
возможностей программного обеспечения и ликвидацией перечисленных выше ограничений;
- с разработкой базы данных для хранения загружаемой из сети Интернет информации о загрязнении и интерполирующих нейросетевых моделей;
- с исследованием влияния настроек РБФ-сети на качество получаемых результатов.
Список литературы
1. Егоров А. Ф., Савицкая Т. В., Дударов С. П. Использование искусственных нейронных сетей для прогнозирования загрязнения атмосферного воздуха промышленными источниками выбросов опасных химических веществ/ Химическая технология, 2004, № 1. - с. 35-42.
2. Дударов С. П., Папаев П. Л., Колосов А. В. Оценка последствий химических аварий на опасных производственных объектах с использованием ячеечно-нейросетевых моделей. - Безопасность труда в промышленности, 2012, № 3. - с. 64-70.
3. Маркин И. С. Программно-алгоритмическое обеспечение для аппроксимации нелинейных зависимостей нейронной сетью на основе радиально-базисных функций/ И. С. Маркин, М. Д. Пысин, Д. О. Краснов, С. П. Дударов. -Успехи в химии и химической технологии: сб. науч. тр. Том XXXI, № 8. - М.: РХТУ им. Д. И. Менделеева, 2017. - с. 57-59.
4. Дударов С. П., Папаев П. Л. Теоретические основы и практическое применение искусственных нейронных сетей: учеб. пособие. - М.: РХТУ им. Д. И. Менделеева, 2014. - 104 а
