Нейросетевые методы обработки информации в задачах прогноза климатических характеристик

Тип работы:
Реферат
Предмет:
Медицина


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Проведена оценка расхождения выборочных частотностей по критерию хи-квадрат. Значимость расхождений рассматривалась для контрольной группы и группы с одной из форм ППЦНС [3].
В итоге, после применения указанных методов, получены следующие результаты: сильная корреляционная связь выявлена между 134-мя парами признаков, средняя между — 250-ю парами признаков, получено 212 ассоциативных правил, получены оценки значимости расхождений между группами с помощью критерия хи-квадрат.
После проведения анализа данных, состоящего из 2-х этапов, было получено большое количество статистически значимых выводов, важных с точки зрения медицины.
Список литературы:
1. Барашнев Ю. И. Роль гипоксически-травматических повреждений головного мозга в формировании инвалидности с детства / Ю. И. Барашнев, А. В. Розанов, В. О. Панов, А.И. тВолобуев // Российский вестник пе-ринаталогии и педиатрии. — 2006. — № 4. — С. 41−46.
2. Реброва О. Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ 8ТАТ18Т1СА / О. Ю. Реброва — М.: МедиаСфера, 2002. — 312 с.
3. Эсбенсен К., Анализ многомерных данных / К. Эсбенсен — Барнаул: Издательство АлтГУ, 2003. — 157 с.
НЕЙРОСЕТЕВЫЕ МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ В ЗАДАЧАХ ПРОГНОЗА КЛИМАТИЧЕСКИХ ХАРАКТЕРИСТИК1
© Суковатова А. Ю. *
Алтайский государственный университет, г. Барнаул
Заполнены пропуски в рядах среднегодовой температуры воздуха г. Барнаула. Выполнен прогноз для сглаженного ряда 10-летних средних скользящих температур на период до 2020 года.
Прогнозирование является одной из типичных задач, решаемых с помощью нейронных сетей. При этом проблему представляет как сложность учета всех факторов, влияющих на ситуацию в конкретных территориях, так и сложность сбора территориально распределенной информации. В связи с
1 Автор выражает благодарность кандидату физико-математических наук, доценту АлтГУ П. М. Зацепину за консультации по применению нейронных сетей.
* Магистрант кафедры Информатики АлтГУ.
этим часто приходится обрабатывать неполную информацию при наличии дублирующих друг друга либо малоинформативных признаков. Поскольку атмосферные процессы невозможно смоделировать в лабораторных условиях, одним из способов получения достоверных результатов является применение различных методов для решения определенных задач, в частности, наряду с численными моделями необходимо использовать нейронные сети.
В настоящее время особенно остро стоит вопрос о причинах и последствиях климатических изменений, наблюдаемых в последние десятилетия. Научное мнение, выраженное Межгосударственной группой экспертов по изменению климата (МГЭИК) ООН, заключается в том, что средняя температура по Земле поднялась на 0,6 ± 0,2 °С с конца XIX века [1]. Точно неизвестно, насколько значительными будут дальнейшие изменения климата.
Оценки, полученные по климатическим моделям, на которые ссылается МГЭИК (модели проф. Дымникова Институт выч. Матем РАН, модели НАСА), говорят, что средняя температура Земли может повыситься на величину от 0,2 до 5,8 °С между 1990 и 2100 годами. По другим оценкам на Земле уже через 50 лет может начаться глобальное похолодание, которое сменится потеплением лишь в начале XXII века. Такое мнение выразили ученые Главной (Пулковской) астрономической обсерватории РАН, основываясь на данных исследования солнечного излучения. Одним из способов получения достоверных результатов является применение различных методов для решения определенных задач, в частности, наряду с численными моделями и применением статистических методов необходимо использовать нейронные сети.
Для получения достоверных результатов при прогнозировании климатических изменений необходимо наличие долговременных (не менее 30 лет) рядов метеорологических параметров. Практика показывает, что нередким явлением оказываются пропуски различной длительности в рядах наблюдений. Для заполнения этих разрывов требуется разработка алгоритмов восстановления пропущенных значений, не снижающих существенно качество всего ряда. Широко используемые методы восстановления пропущенных величин временных рядов — интерполяция с помощью различных полиномов, интерполяция с помощью сплайнов, статистические методы (метод заполнения средним значением, заполнение с помощью регрессии, метод Бартлетта, Resampling метод) — имеют существенные недостатки [2].
В настоящей работе с использованием нейронной сети осуществлена попытка заполнить пропуски в рядах метеорологических величин и сделать прогноз. Использовался ряд средней многолетней температуры г. Барнаула (по данным метеостанции г. Барнаула). Обучение и прогноз производились для сглаженного ряда 10-летних средних скользящих температур. Для достижения поставленной цели решались следующие задачи:
Была проведена аппроксимация ряда среднегодовой температуры воздуха с помощью полинома. Результат представлен на графике.
1820 1840 18Б0 1880 1900 1920 1940 1960 1980 2000 2020
Годы
Рис. 1. Аппроксимация ряда среднегодовой температуры воздуха с помощью полинома. Здесь, а (тонкая сплошная линия) — среднегодовая
температура воздуха в г Барнауле, Ь (пунктир с точкой) — 20-летние средние скользящие, с (пунктир) — полином третьей степени
Для обучения и тестирования сети ряд был разделен на 2 части: обучение проводилось на четных годах, тестирование на нечетных. Погрешность вычислений составляет 0,221 [3].
В качестве результата представлен сглаженный ряд, т. е. внутри каждого периода (20 лет) температура может колебаться как в сторону положительных, так и в сторону отрицательных значений, но в среднем до 2040 г. Ожидается рост среднегодовой температуры на 0,1 градуса.
По оценкам Межгосударственной группы экспертов по изменению климата, которые основываются на расчетах по российским и зарубежным климатическим моделям ожидается рост среднегодовой температуры в Северном полушарии на величину от 0,1 до 5,8 градуса [1].
Таким образом, результаты данной работы не противоречат оценкам специалистов, занимающихся проблемой изменения климата.
Список литературы:
1. Межправительственная группа экспертов по изменению климата (МГЭИК) [Электронный ресурс]. — Режим доступа: www. ipcc. ch.
2. Израэль Ю. А., Изменения глобального климата. Роль антропогенных воздействий / Ю. А. Израэль, Г. В. Груза, В. М. Катцов, В. П. Мелешко // Метеорология и гидрология. — 2001. — № 5. — С. 5−21.
3. Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен. — М.: Мир, 1992 — 127 с.

ПоказатьСвернуть
Заполнить форму текущей работой