К.т.н. Никонов В.В., д.т.н. Морозова Т.Ю., к.т.н. Иванова И.А.

Московский государственный университет приборостроения и информатики, Россия

Современные информационные технологии в задачах экологического мониторинга воздушной среды

Постоянное получение оперативной информации о наличии и содержании отравляющих веществ в атмосфере, продуктов их детоксикации и общепромышленных загрязнителей в контролируемых зонах необходимо для контроля безопасности окружающей среды.

В настоящее время в России широко развертываются работы по изучению процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов. Исследования по охране окружающей среды ведутся в различных областях науки и техники. Результаты этих исследований публикуются в разных изданиях. Число организаций, занимающихся проблемами экологического мониторинга, также велико. Об этом свидетельствует формируемая программа «экологической безопасности России». Однако практическое использование результатов этих исследований для решения экологических проблем сдерживается недостаточным развитием теории и практики построения экологических информационных систем, представляющих собой один из новых видов автоматизированных систем и предназначенных для сбора и анализа разнородной информации о состоянии окружающей среды.

Все большую популярность приобретают методы искусственного интеллекта при разработке автоматизированных систем различного назначения. Использование методов искусственного интеллекта позволяет создавать не просто автоматизированные системы, позволяющие решать определенный круг задач, а создавать интеллектуальные автоматизированные системы, позволяя минимизировать время решения задач, повысить скорость обработки, мобильность автоматизированной системы, снизить нагрузку на эксперта в принятии решения. Системы экологического мониторинга – не исключение. Современные системы экологического мониторинга позволяют решать различные задачи сбора, обработки и хранения информации, визуализации информации в виде диаграмм, гистограмм, построения картографических слоев, генерации различных отчетов и сводных таблиц и т.д. Но, к сожалению, эти системы не могут в должной мере моделировать знания эксперта в принятии соответствующего решения.

В настоящее время наиболее успешно применяются автоматизированные системы экологического мониторинга, которые используют метод лазерного зондирования (ИК-спектрометрия), позволяющий на основе принципов поглощения и рассеяния электромагнитного излучения, получать данные о наличии и концентрации вредных веществ, выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере [1]. Данные, полученные с систем дистанционного зондирования представляют собой инфракрасные (ИК) спектры поглощения ИК излучения вредными веществами, типичный вид которых представлен на рисунке 1.

Рис. 1. Примеры инфракрасных спектров поглощения вредных веществ

Методы количественного анализа состава вредных веществ воздушного бассейна атмосферы основаны на построении зависимости между интенсивностью поглощения веществом ИК-излучения и его концентрацией. На основе регистрации партии спектров ИК-излучения вредных веществ с известными концентрациями устанавливается зависимость между спектром поглощения и концентрацией [1].

Для повышения скорости работы и точности определения концентрации вредного вещества из данных, полученных с систем лазерного зондирования и автоматизации построения функциональной зависимости между набором этих данных и концентрацией вещества предложено использовать метод нейронных сетей (НС).

Использование НС в качестве аппарата для установления зависимости между интенсивностью поглощения веществом ИК-излучения в окружающей среде и его концентрацией обусловлено способностями сети к параллельной и распределенной обработке информации, что позволяет значительно увеличить скорость работы алгоритма и повысить эффективность определения концентрации вредных веществ в воздушном бассейне атмосферы.

Кроме этого, применение НС обеспечивает следующие полезные свойства:

1) способность к обобщению. Под термином «обобщение» понимается способность НС устанавливать концентрацию вредных веществ на основе данных, не встречающихся в процессе обучения;

2) нелинейность. Нейронная сеть, построенная из соединений нелинейных нейронов, является нелинейной. Нелинейность является чрезвычайно важным свойством, поскольку входной сигнал, подаваемый в НС, в случае определения количественного состава вещества представляет собой спектр поглощения ИК-излучения веществом и является нелинейным;

3) отображение входной информации в выходную. Наиболее часто используется для обучения НС парадигма обучения с учителем. Настройка синаптических весов сети происходит на основе набора учебных примеров. Каждый пример состоит из параметров входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а НС модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Обучение проводится до тех пор, пока изменения синаптических весов не станут незначительными;

4) адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям входных сигналов. В частности, нейронные сети, обученные действовать с определенными сигналами, могут быть легко переучены для работы в условиях незначительных колебаний параметров;

5) эксплуатация обученной НС не требует дополнительной подготовки пользователей и их высокой квалификации.

Кроме этого, нейросетевой метод моделирования не требует априорного задания вида исследуемой зависимости.

Задача определения концентрации вредного вещества по данным спектра поглощения может быть сформулирована как задача аппроксимации функции многих переменных. Необходимо построить некоторое отображение HY такое, чтобы на каждый возможный входной образ, представленный вектором спектра поглощения ИК-излучения вредными веществом (H) формировался правильный выходной вектор концентрации данного вещества (Y).

С помощью проведенного анализа НС, с точки зрения решения задачи определения концентрации вредных веществ в воздушной среде, доказана возможность использования метода НС для решения задачи автоматизации построения функциональной зависимости между спектром поглощения ИК-излучения вредными веществами и их концентрацией.

Нейронная сеть может быть представлена как совокупность простых элементов (нейронов), связанных друг с другом. Нейрон состоит из нескольких входов и одного выхода, сумматора и блока функции активации [2]. Функционально нейрон умножает входные импульсы на некоторые коэффициенты (синаптические веса), суммирует полученные произведения и преобразует сумму в соответствии с активационной функцией, являющейся пороговой или сигмоидальной. Математически функцию нейрона можно описать следующим образом:

,

где W – весовые коэффициенты; H – входные значения спектра; F – функция активации.

Рис. 2. Структура трехслойной нейронной сети, используемая для установления концентрации вредных веществ по данным ИК спектра поглощения

Для решения задачи установления концентрации вредных веществ по данных ИК-спектра поглощения предложена многослойная нейронная сеть прямого распространения (рисунок 2):

- 1-й слой состоит из значений h₁, h₂, …, h_n спектра поглощения ИК-излучения вредными веществом;

- 2-й слой является промежуточным слоем, для повышения точности установления функциональной зависимости между спектром поглощения и концентрацией вещества;

- 3-й слой состоит из значения y – концентрации вредного вещества, определяемой из спектра поглощения, .

Каждый слой связан следующими весами:

- – возбуждающий вес между i-м нейроном СИКП слоем и j-м нейроном промежуточного слоя;

- – возбуждающий вес между i-м нейроном промежуточного слоя и j-м нейроном слоя СК.

Обучение НС основано на обучении с учителем, заключающееся в том, что каждому входному набору данных h₁, h₂, …, h_n значений спектра поглощения ИК-излучения регистрируемого вещества ставится в соответствие выходное значение y – концентрация вредного вещества.

Обучение с учителем определено как поиск коэффициентов и нейронной сети, при которых будет выполняться необходимое отображение входного вектора H значений спектра поглощения в выходное Y – значение концентрации. Это достигается путем минимизации суммы разности квадратов между желаемыми выходами и получаемыми НС [3]

,

где d_i,j – желаемый выход j-го выходного нейрона для i-го обучающего примера; W – матрица весовых коэффициентов НС, коэффициенты одного нейрона представлены строкой матрицы H_i – i-й обучающий пример.

С целью выбора алгоритма обучения НС исследованы различные алгоритмы: эволюционные, стохастические, градиентные [3, 4]. В качестве метода обучения использовался метод обратного распространения ошибки. Данный метод при своей стандартной реализации не позволял обучить НС с двумя и тремя слоями для решения задачи количественного анализа вредных веществ, при этом обладал медленной сходимостью. Потому были применены модификации: случайное изменение весовых коэффициентов во время обучения, увеличение начальных значений. Использование модификаций позволило повысить скорость обучения и точность. Кроме этого, было решено использовать модификацию данного метода с использованием генетического алгоритма. Сам генетический алгоритм имеет тот недостаток, что необходимо рассчитывать функцию ошибки сети для всех примеров в выборке, что очень снижает скорость работы данного алгоритма. Поэтому было решено использовать данный алгоритм для малой части выборки, содержащей примеры, имеющие наиболее сильный разброс, тогда скорость алгоритма существенно повышалась. Алгоритм состоит в том, что поочередно используется генетический алгоритм и метод обратного распространения. При этом, когда метод обратного распространения снижает ошибку на очень малую величину, управление передается на генетический алгоритм, который передает управление обратно методу обратного распространения через определенное число циклов обучения. Другая модификация метода состояла в использовании в качестве операторов мутации шага в направлении антиградиента и малого случайного шага. Недостатком реализованных методов обучения стала малая скорость работы (5…7 ч) и проигрыш в точности. Поэтому было принято решение использовать модифицированный алгоритм обратного распространения ошибки.

На основе анализа различных параметров сети (вид нейронов, количество слоев и связей, типы сетей), выполненного в целях оптимальной НС для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК-излучения, предлагается пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой.

Шаг 1. Задание исходных значений для каждого элемента (нейрона).

Шаг 2. Ввод значений возбуждающих весовых коэффициентов – степень связи, с которой i-й нейрон связан с j-м нейроном следующего слоя.

Шаг 3. Вычисление значений каждого нейрона по формуле

,

, (1)

где S_i – сумма произведений всех возбуждающих весов i-го нейрона на значение соответствующего этому весу j-го нейрона следующего слоя; g_j – величина j-го элемента следующего слоя; K=1 – коэффициент, который используется для обновления значений нейронов предыдущего слоя; i – принимает значение от 0 до n; n – количество нейронов предыдущего слоя; j – принимает значение от 0 до m; m – количество элементов следующего слоя НС.

Шаг 4. Обновление значений возбуждающих весов

,

где – значения возбуждающих весов предыдущей итерации.

Шаг 5. Если , то . Таким образом происходит сокращение количества конкурируемых между собой нейронов.

Шаг 6. Вычисление обновленных значений по формуле (1).

Шаг 7. Исследование значений нейронов на противоречие в конкуренции

где – обновление значения ; – значение на предыдущей итерации; – разница значений x_i и x_k на двух итерациях.

Шаг 8. Вычисление новых значения нейронов с учетом учета противоречия в конкуренции

.

Шаг 9. Если значения нейронов не превышают установленного порога, то изменение весов у нейронов прекращают. Иначе, продолжается изменение весов и пересчет значений (переход к шагу 4).

Алгоритм является итерационным. Он используется для установления наиболее конкурентных связей в НС, представленной на рисунке 1.

Предложенный метод определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК-спектрометрии, основанный на нейросетевых технологиях, позволяет повысить точность в установлении концентрации на 45 %, повысить скорость обработки информации на 25 %, и в целом увеличить эффективность функционирования систем экологического мониторинга, использующих нейросетевые технологии в установлении количественного состава, на 30 %.

Литература

1. Козинцев В.И., Орлов В.М., Белков М.Л. Оптико-электронные системы экологического мониторинга природной среды. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

2. Хайкин С. Нейронные сети: полный курс, 2-е изд. / Пер. с англ. М.: ООО «И.Д. Вильямс», 2006.

3. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004.

4. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2003.