автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Моделирование и прогнозирование очагов заражения био- и химически опасными удобрениями на основе нейросетевых технологий

На правах рукописи

ЛИЦ Надежда Владимировна

МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ОЧАГОВ ЗАРАЖЕНИЯ БИО- И ХИМИЧЕСКИ ОПАСНЫМИ УДОБРЕНИЯМИ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальности: 05.13.01 — Системный анализ, управление

и обработка информации

05.13.10 — Управление в социальных

и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж — 2006

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель доктор технических наук, профессор

Федянин Виталий Иванович

Официальные оппоненты: доктор технических наук, профессор

Львович Игорь Яковлевич;

кандидат технических наук, доцент Заславский Евгений Леонидович

Ведущая организация Воронежский государственный

архитектурно-строительный университет

Защита состоится «22» декабря 2006 г. в 1400 часов в конференц-зале на заседании диссертационного совета Д 212.037.02 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан «22» ноября 2006 г.

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. На современном этапе развития общества очень остро встают вопросы экологической безопасности. Состояние среды сказывается и на самом человеке, который, потребляя продукты сельского хозяйства, дыша загрязнённым воздухом, подвергается воздействию вредных веществ.

Очевидное ухудшение состояния окружающей среды, сказывающееся в глобальных изменениях климата, истощении озонового слоя, исчезновении биологических видов, обусловило выход проблем защиты природы и мониторинга ее состояния в число самых приоритетных задач человечества.

Всемирной конференцией по окружающей среде и развитию (Рио-де-Жанейро, 1992 г.) принят ряд документов, накладывающих жесткие обязательства на страны мира по участию в программе охраны и защиты окружающей среды. Россией, подписавшей и ратифицировавшей конвенции о биоразнообразии, об изменениях климата и участвующей в Международном десятилетии ООН по уменьшению опасности стихийных бедствий, принят ряд федеральных целевых программ, предусматривающих восстановление и серьезное развитие систем и методов охраны окружающей среды. При этом ставится задача средствами наземного, воздушного, водного и космического базирования обеспечить получение данных для оценки и прогноза состояния окружающей среды в связи с естественными процессами и хозяйственной деятельностью человека. Для их решения и выполнения международных обязательств необходимо развитие био- и геосферного, природно-хозяйственного, биоэкологического и санитарно-гигиенического мониторинга на глобальном, региональном и локальном уровнях.

Вредное влияние на здоровье населения а также на состояние экосистем оказывает загрязнение почвы био- и химически опасными средствами, применяемыми в сельском хозяйстве для повышения урожайности, что возможно при отступлении от санитарных и технических правил работы с ними. Внесение в почву минеральных удобрений, гербицидов и пестицидов при нарушениях в технологии применения вызывает их накопление в почве выше допустимых пределов и приводит к загрязнению сельскохозяйственной продукции, подземных вод и водоемов.

Химические вещества в почве не находятся в статическом положении. Существует их миграция в почве. Это означает перемещение химических элементов в различных направлениях и с разной скоростью. Она зависит от многих факторов, которые учесть без использования информационно-измерительной техники невозможно. Существующая техника для непосредственного измерения концентраций химических удобрений в почве не позволяет проводить исследования с достаточной частотой, поэтому возникает необходимость создания системы моделирования и прогнозирования, которая на основе косвенных данных, используя модели экологических систем, прогнозирует состояние химических удобрений в почве.

Работа выполнена в соответствии с одним из приоритетных направлений федерального уровня «Экология и рациональное природопользование», межву-

зовской комплексной НТП 12.11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных научных направлений Воронежского государственного технического университета «Проблемно-ориентированные системы управления».

Цели и задачи исследования. Целью диссертации является разработка методов, алгоритмов и программного обеспечения моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями на основе нейросетевых технологий, создание интеллектуальных средств системы поддержки принятия решений по предупреждению и ликвидации ЧС. Для достижения поставленной цели необходимо решить следующие научные задачи:

-оценить возможность применения ГИС-технологий и нейросетевых моделей для прогнозирования процессов заражения окружающей среды био- и химически опасными удобрениями;

-разработать структуру системы поддержки принятия решений моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

- определить способы интеграции интеллектуальной подсистемы добычи знаний и подсистемы визуализации пространственных данных;

- выбрать способ представления знаний в системе и разработать алгоритм взаимодействия всех составляющих подсистем;

-сформировать и обучить нейронную сеть для решения задачи моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

-решить задачи визуализации полученных пространственных данных с помощью геоинформационной системы путем построения тематических карт по уровням загрязнения территории Воронежской области опасными химическими веществами;

-разработать структуру и сформировать функциональное наполнение отдельных подсистем системы поддержки принятия решений моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

-разработать экспертную систему поддержки принятия решений, ориентированную на определение уровня загрязнения опасными химическими веществами заданной территории, наиболее вероятного местонахождения источника загрязнения, а также предложить комплекс мер по снижению уровня загрязнения почвы и снижению риска нанесения вреда здоровью населения, проживающего на рассматриваемой территории.

Методы исследования. Для решения поставленных задач в работе используются методы теории вероятностей, математического программирования и построения экспертных систем, теории нечетких множеств и мягких вычислений, основные понятия теории систем, методы теории искусственного интеллекта, имитационного моделирования, методы теории нейронных сетей, геоинформационных систем.

Научная новизна. Основные результаты диссертации, выносимые на защиту и имеющие научную новизну, состоят в следующем:

структура системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, отличающаяся интеграцией подсистем интеллектуального анализа результатов мониторинга загрязнения почв, визуализации данных и экспертной системы;

алгоритм формирования искусственной нейронной сети радиальных базисных функций, позволяющая на основании нечеткой исходной информации построить прогностические модели распространения загрязнения;

метод построения тематических карт на основании информации полученной при работе нейронной сети, позволяющий визуально оценить уровень загрязнения почвы и определить наиболее вероятные координаты источника загрязнения;

интеграция в едином комплексе подсистемы интеллектуального анализа данных, подсистемы визуализации данных и подсистемы поддержки принятия решений, позволяющая не только провести анализ данных о загрязнении почвы, но и отобразить полученные результаты на карте, а также предложить комплекс мер по снижению риска нанесения вреда здоровью населения.

Практическая значимость работы. Разработана система моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, позволяющая на основании пространственно-распределенных данных строить прогностические модели, определять уровень загрязнения в любой точке рассматриваемой территории и достоверно определять место нахождения источника загрязнения.

Наличие встроенного в систему модуля поддержки принятия решений позволяет оценить уровень загрязнения указанной территории, определить уровень риска для здоровья населения. Результатом работы системы является атлас тематических карт по уровням загрязнения территории, а также комплекс мероприятий по снижению риска для населения, проживающего в рассматриваемой зоне.

Реализация и внедрение результатов работы. Разработанная система поддержки принятия решений моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями внедрена в практическую деятельность в Главном управлении ГО ЧС РФ по Воронежской области, что обеспечило снижение риска для населения, проживающего на загрязненных территориях и территориях прилегающих к ним, а также привело к значительному снижению затрат на определение координат места нахождения источника загрязнения. Экономический эффект составил 117 тыс. руб. Кроме того, данная СППР используется в учебном процессе Воронежского государственного технического университета на кафедре «Технологии и обеспечения гражданской обороны в чрезвычайных ситуациях» для студентов специальности «Защита в чрезвычайных ситуациях». Результаты внедрения подтверждены соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях, семинарах и совещаниях: региональной конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2004, 2005); Всероссийской конференции «Интеллектуаль-

ные информационные системы» (Воронеж, 2004, 2005, 2006); Всероссийской научно-практической конференция студентов и аспирантов (Сыктывкар, 2005); семинарах кафедры «Технологии и обеспечения гражданской обороны в чрезвычайных ситуациях».

Публикации. По теме диссертационной работы опубликовано 15 научных работ. В том числе 5 публикаций в изданиях, рекомендованных ВАК РФ.

В работах, опубликованных в соавторстве, лично соискателю принадлежат: в [1] модификация метода трассировки для решения задачи отображения распространения загрязнения; в [2, 10] построение прогностических моделей; в [3, 7, 8, 12] разработка структуры системы поддержки принятия решений в ЧС; в [4] разработка математического обеспечения генерации сценариев контрмер; в [5, 6, 9] формирование и обучение искусственной нейронной сети; в [11] задание неопределенности в данных в виде вероятностных оценок; в [13, 15] разработка технологии восстановления пропусков в данных.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, приложений; изложена на 157 страницах, содержит 45 рисунков, 2 таблицы; список литературы включает 153 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана ее краткая характеристика, показаны основные пути решения сформированных задач.

В первой главе рассматриваются возможные подходы для решения задачи моделирования и прогнозирования данных по загрязнению почвы, особое внимание уделяется нейросетевому и геоинформационному подходу. Приводится обоснование данного выбора. Наибольший интерес представляет возможность интеграции искусственных нейронных сетей (ИНС) как средства интеллектуального анализа данных и геоинформационных систем (ГИС), как средства визуализации пространственно распределенных данных.

Проблема интеграции ИНС и ГИС может быть решена, по крайней мере, тремя способами (рис. 1): 1 интеграция НС моделей в ГИС; 2 развитие интерфейса между ИНС и ГИС, как самостоятельными системами; 3 создание НС систем с включением интерфейса взаимодействия с ГИС.

Особенности и различия интеграции определяются возможностями ГИС, такими как встроенный язык программирования; средства DDE и OLE; функциональные DLL. Все эти способы требуют написания ГИС-приложения.

Анализ литературы показал перспективность использования искусственных нейронных сетей (ИНС) для задач, связанных с ГИС-тематикой. В то же время задачи прогнозирования заражений почв не полностью проработаны.

На основании проведенного анализа определяются цели и задачи исследования.

Вторая глава посвящается разработке структурной схемы системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями. Схема приведена на рис. 2.

СППР предназначены для решения задач в диалоговом режиме - это при-

водит к тому, что вычислительная техника выступает как инструмент подкрепления памяти специалиста и усиления его способностей к логическому выводу. В этом случае окончательное решение принимает человек. Но необходимую информацию для этого предоставляет СППР, обрабатывая исходные данные значительно быстрее человека. Основными подсистемами данной СППР являются:

1. Подсистема хранения данных. Включает базу данных по загрязнению территории Воронежской области био- и химически опасными удобрениями, а также пространственные и атрибутивные данные.

2. Подсистема визуализации данных. Предназначена для визуализации результатов моделирования и прогнозирования загрязнения почвы био- и химически опасными удобрениями.

Рис. 1. Способы интеграции ИНС и ГИС для моделирования и прогнозирования заражения почвы био- и химически опасными удобрениями

Задача визуализации данных заключается в отображении многомерных данных в представимую человеком размерность, например, на плоскость так, чтобы точки данных, близкие на плоскости (на карте), были близки и в исходном пространстве (обратное в общем случае неверно).

Данные о загрязнении почвы отображаются в виде тематических карт линий уровня (изолиний), которые затем в виде отдельного слоя наносятся на карту.

3. Подсистема принятия решений. Получившие наибольшее развитие из всех разработок искусственного интеллекта, экспертные системы (ЭС) завоевали устойчивое признание в качестве систем поддержки принятия решений. Назначение данной подсистемы — провести оценку уровня загрязнения почвы рассматриваемого региона, выявить факторы опасности для здоровья населения и сформировать комплекс мер по снижению уровня риска нанесения вреда здоровью населения.

ПоЛспстемл вмзумалцкн ре^улигшмм лд^ечувшш» и яртггюмрсштшл

Рис. 2. Архитектура системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями

Процесс принятия решения основывается на учёте факторов, их анализе, прогнозе развития ситуации. К ним относятся: влияние загрязняющих веществ на здоровье людей и животных, уровень проникновения веществ в сельскохозяйственные культуры, возможность нейтрализации влияния загрязнителей.

В третьей главе приводится обоснования выбора нейронной сети обобщенной регрессии (НСОР) для решения задачи моделирования и прогнозирования загрязнения био- и химически опасными удобрениями.

Задача, которая решается при помощи обобщенной регрессии, формируется следующим образом: в какой-то территории в определенных точках {X) произведены замеры концентраций пестицидов в почве (2), необходимо по этим данным предсказать значение концентраций на всей территории. Решение будет наиболее простым, если предположить линейную зависимость между X и X.

При обобщенной регрессии 2 и X предполагаются связанными посредством функции плотности вероятности (ФПВ).

Если функция плотности вероятности известна, то не сложно определить условное значение называемое также регрессией 2 по X. Введем обозначения:

X = (х,у) - пространственные координаты точки измерения; 2{х)= 2{х,у) - значение измеряемой величины

Определим координаты «на плоскости» - х и у (входы сети), а «вертикальная» координата - 2 (выход сети).

Допустим, что ФПВ уже известна. Тогда условное значение 2{х,у), называемое также регрессией X по (х, у), найдется следующим образом :

•к»

^2<р(х,у,г)сЬ

2 = ^-, О)

\<р(х,у,г)ск

где <р{х,у,г) есть функция условной вероятности. Для ее нахождения воспользуемся способом Парзена. Парзен предложил оценивать ФПВ следующим образом:

где

А2 +0>-У/.

Подставляя в (1), получим

• ±г,ех.РГ-А72А2;

Z_ П=1_

т ~ —- • (3)

я=1

Ыщ

, (4)

И=|

где п, = ехр(-£>2 / 2И2)

Архитектура сети с обобщенной регрессией представлена на рис. 3. Входной слой содержит два нейрона, по одному на каждую из координат точки. Выход НСОР это всего лишь один нейрон, так как оценивается только одна переменная - Между входом и выходом имеется два скрытых слоя. Первый из них содержит столько нейронов, сколько примеров в обучающем наборе, и называется — слой образов. Во втором скрытом слое (он называется интегрирующим) всего два нейрона.

Механизм действия НСОР следующий: сначала в слое образов запоминается обучающий набор. Один нейрон слоя образов запоминает один пример из данного набора (только координаты х, .у).

При этом вес соответствующей связи, ведущей к одному из двух нейронов второго скрытого слоя, мы будем называть этот нейрон нумератором, устанавливается равным значению Z в точке, координаты которой запомнил соответствующий нейрон слоя образов.

Входной слой

Скрытые слои

Выходной слой

i ф

i ф

£ ф

i ф

x ф

слой образов интегрирующий слой

Рис. 3. Архитектура нейронной сети обобщенной регрессии

Веса связей, ведущих к оставшемуся нейрону интегрирующего слоя (де-нумератору) и все оставшиеся веса, устанавливаются равными единице. Веса всех связей остаются постоянными. После "запоминания" все готово к обучению. Нейроны входного слоя доставляют каждому нейрону слоя образов координаты * и у. Каждый нейрон слоя образов находит расстояние от точки, поданной на вход НСОР, до точки, координаты которой он запомнил:

0?=(х-х')2+(у-у<)\ (5)

затем действует на него экспоненциальной функцией

ехр(-0?/ 2И2). (6)

В интегрирующем слое выходы нумератора и денумератора равны суммам их входов. В результате выход нумератора буде равен:

±г,ехр(-0?12И2). (7)

Выход денумератора:

±ехр(-й}/ 2Иг). (8)

п=1

Нейрон выходного слоя делит первое из этих значений на второе, так что окончательный выход сети полностью совпадает с формулой:

±2,ехр(-0*/2}г1)

ОиТнсои = ^-. (9)

Для практического решения поставленной задачи была создана база данных по результатам измерений экологических показателей (концентраций пестицидов в почве) за 2001-2004 годы на территории Воронежской области.

Данные были предоставлены сотрудниками Станции защиты растений Воронежской области.

Поставленная задача разбивалась на две подзадачи.

Задача 1. Необходимо построить нейросеть для прогнозирования значений концентрации эупарена во всех точках рассматриваемой территории, если имеется таблица данных, содержащая замеры концентраций в 100 точках с заданными координатами. Место отбора проб задается парой координат (Х,У) в градусах, минутах и секундах широты и долготы.

Для решения данной задачи необходимо разработать ИНС для определения значений концентрации эупарена в любой точке (включая те, в которых замеры не производились). Такая ИНС была разработана и обучена с помощью пакета А1уи<3а №иго1п1е1^епсе.

По результатам работы сети была построена скатерграмма (рис. 4) экспериментальных значений концентраций и рассчитанных сетью.

Рис. 4. Скатерграмма входных и выходных данных ИНС

Коэффициент корреляции экспериментальных и вычисленных сетью данных равен 0,94.

Разработанная нейросеть дает 95%-ый уровень распознавания сети. Такой процент распознавания является достаточно высоким для решения подобной задачи, учитывая ее слабую формализованность. Исходное множество данных содержит ошибки и неточные измерения.

Задача 2. Необходимо построить нейросеть для прогнозирования значений концентрации шести различных видов пестицидов во всех точках рассмат-

риваемой территории, если имеется таблица данных, содержащая замеры концентраций в 600 точках с заданными координатами. Место отбора проб задается парой координат (Х,У) в градусах, минутах и секундах широты и долготы.

Для обучения ИНС была создана база данных, содержащая 600 записей — по 100 замеров концентрации для каждого типа веществ (карбофос, DDT и метаболиты, гексахлорбензол, пентахлорбифенил, нитраты, эупарен).

На основании полученной базы данных была сформирована и обучена ИНС с использованием пакета AlyudaNeuroIntelligence. К имеющимся входным полям (X и Y) добавлялось поле, задающее вид химического вещества.

После обучения была получена скатерграмма входных (полученных из базы данных) и выходных (полученных при работе ИНС) данных (рис. 5).

о Setected targct о Setected oulput \

Рис. 5. Скатерграмма входных и выходных данных сети

Коэффициент корреляции между данными примеров и полученными по сети составил 0,88.

В предложенной технологии нейросетевого анализа данных ГИС отображение результата является одной из основных целей обработки данных. После тестирования нейросети данные сохраняются в таблицу атрибутов.

Данные на карте отображаются в виде слоев. Каждый слой содержит два типа данных: пространственные и атрибутивные. Атрибутивные данные состоят из двух типов: параметры линии уровня и данные о загрязнении почв. Параметры линии уровня позволяют производить раскраску и расположение слоя на карте в зависимости от уровня.

В данной работе для построения изолиний использовался метод трассировки. Алгоритм трассировки основан на независимом вычерчивании (трассировки) отдельных изолиний с заданными уровнями С.

Для приближенного изображения изолинии можно заменить её ломаной линией, выбирая достаточно малый шаг. Чтобы избежать накопления ошибок, целесообразно построить ломаную, вписанную в интересующую нас изолинию. Каждое звено такой ломаной можно получить, перемещаясь сначала по касательной к изолинии, а затем "возвращаясь" на изолинию, то есть переходя к ближайшей точке с заданным уровнем значений функции.

Построение каждого отрезка ломаной, вписанной в изолинию, состоит из трех этапов (рис. 6):

У

Рис. 6. Построение отрезка ломаной, вписанной в изолинию

1) Перемещение от начальной точки (Х0,У0) вдоль касательной к линии уровняАх,у)=С (С = /(х0,Ув)) на шаг I в точку (X, У).

Уравнение касательной к линии уровня в точке (Х& Уо) имеет вид:

/:(Х0,У0)(Х - Х0) + /;(Х0,У0)(У -У0) = 0. (10)

При длине шага Ь, то есть при

((*-*0)2 + (Г-Г0)2),/2=£., (11)

получаем:

Здесь знак множителя /? = ±1 определяет направление обхода изолинии: при Л = 1 перемещение происходит вправо от вектора градиента (рис. 6), а при Я = -1 перемещение происходит в обратном направлении.

2) Поиск точки (А'|,У|) с заданным уровнем /{ХиУ1) = С, ближайшей к полученной точке (Л\}').

Для этого воспользуемся тем свойством, что наискорейшее изменение значений функции происходит по направлению вектора градиента. Чтобы решить уравнение f(x,Y) = C вдоль линии градиента, используем итерационный метод Ньютона (метод касательных). Обозначим t = (x,Y)T. Тогда итерационный шаг вдоль линии градиента будет иметь вид:

tk+l = tk+ak /Vk), ¿ = 1,2,... (13)

С учетом дифференцируемости f(t) имеем:

Полагая f{tk) + a\f'(tk)|2 = С,находим

3) Изображение отрезка прямой, соединяющего точку (Х0, Yq) с точкой (Xi, Yj).

Для того чтобы завершить построение замкнутой изолинии, необходимо перед каждым переходом из (Хо, Yq) в (Xj, Yj), начиная с третьего отрезка ломаной, контролировать расстояние от последней из точек t0 =(X0,Y0)T до первой из начальных точек s-(P,Q)T. При их достаточной близости, например, при |/°-s|<l,5-Z,, следует положить (Х^У,) = s, изобразить последний отрезок и закончить работу.

Если строящаяся изолиния выходит за заданные границы карты, то следует принять R = -1 и завершить построение изолинии, начиная вновь с начальной точки s, то есть с Х0 = Р, Y0 = Q, и перемещаясь в направлении, обратном первоначальному, до выхода за границы карты.

В большинстве случаев полученная ломаная не удовлетворяет требованиям гладкости. Поэтому задача построения линии распадается на две подзадачи.

1. Сглаживание кривой. Модификация последовательности управляющих точек с целью подавления шумов и искажений.

2. Отображение. Вывод на графическое устройство (или в графический файл) кривой, имея в качестве исходных данных последовательность управляющих точек.

Задача сглаживания в данной работе решается с помощью аппроксимации методом Безье.

В результате работы над задачей 2 был сформирован shape-файл, содержащий 10 000 записей (точек измерения и соответствующих им концентраций опасного химического вещества). По этим данным был построен слой карты в виде линий уровня (рис. 7). Для построения изолиний использовался модуль геоинформационноной системы ArcGIS 9.1 Spatial Analyst.

В четвертой главе диссертационной работы приводится описание системы поддержки принятия решений «НейроГИС» (рис. 8), построенной по объектно-ориентированной технологии с применением принципов модульности,,

открытости, управляемости и адекватности и предназначенной для работы на 1ВМ-совместимых компьютерах.

Рис. 7. Построение слоя карты распространения опасных химических веществ по прогнозным данным ИНС

Данная система включает в себя банк данных, библиотеку моделей, подсистему вывода цифровой и графической информации, а также средства диалога, обеспечивающие гибкость работы пользователей с системой в режиме обучения.

Подснсгсми формирования -шапни*

обучен IIЯ

ИнфорМАцнонные С1ШШ

Рис. 8. Структурная схема СППР «НейроГИС»

Разработанные функциональные и логические схемы определяют структуру программно-информационного обеспечения системы поддержки принятия решений «НейроГИС».

Основные программные модули реализованы с помощью инструментальных средств программирования Borland C++Builder 6 в операционной системе Windows ХР.

На рис. 9 показан экран работы разработанной СППР «НейроГИС». Разработанная СППР представляет собой совокупность технических, информационных и методических средств, обеспечивающих:

'По^^нив изолиний'- ГЛодуЛ» ¿tieAtoe * Помрии*

j & Закрыть | Ф 'Дру^яУ:^-

S3rW*> \ ¿g ртчет.....j

Л N ^laljsl

JO Вьжя f

tr-•Коордикать^нестопр/тожен^я источников:

Исгочажов загрязнения 2

:! Исто»»»ж А (репьееский р-ои(

51 грцЮмнсш. . ] 30 грв. 40 к**! bjL

I - Исто*** Б (вермненакимА р-он^ I Ы гро. 50t*«t сш. j : 39 грв. 55 г*« ва

bJpo эань эсгряэнаий.ялрчйм:

Зон* 1- уровень высокий Зоне Z уровень щеренный : Зоне Э «ювень слвбьЛ

Рекомендации v ч

Зона 1.

■ Tlpoeecra лаберагоргый анализ вооьГ

Запретить использование с/к пронятое, произведем^* па этой , твррил*»*/

'провести ликвидацию источников" Зоне г

v Провести лабараториый анелиэ воаьГ

"Заметить использование сЛс продуктов. произвел«»*** не этой ; территории1 Провести ликвццац но истрившв"

Проток

: Зоне I:

"возможно расстройство работы же*ааочм**ишечмого . тракта"

- Возможно нарушение в работе сетечно-сосуоистой

системы" • "Возможны отравяеиия"

: Зона 2

Возможно расстройство работы *ся»очно-*иивчюго > Воэмодеы отравлений

ii

Рис. 9. Основное окно программы «НейроГИС»

1. Интеллектуальную обработку экспериментальных данных по загрязнению почвы; построение прогностических моделей.

2. Визуализацию данных, позволяющую наглядно оценить состояние почвы в регионе.

3. Автоматизацию решения задач: прогноза распространения био- и химически опасных удобрений в почве; обнаружения источника загрязнения; оценка риска для здоровья населения, проживающего в зоне загрязнения; выработка комплекса мер для снижения риска.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана структура модели системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, характеризующаяся интеграцией подсистем интеллектуальной обработки данных и подсистемы визуализации данных.

2. Разработана структура основных подсистем системы моделирования и ' прогнозирования очагов заражения био- и химически опасными удобрениями:

-подсистема хранения данных включает в себя базу данных и базу знаний. База данных подсистемы характеризуется наличием пространственных и атрибутивных данных. Для формирования и пополнения базы знаний разработан алгоритм добычи знаний. Подсистема хранения данных должна обеспечить механизм быстрого и простого доступа к данным, а также возможность пополнения подсистемы новыми данными и знаниями;

- подсистема поддержки принятия решений содержит экспертную систему, предлагающую комплекс мероприятий для снижения риска нанесения вреда здоровью населения проживающего на территории, загрязненной опасными химическими веществами. По заданным значениям концентрации пестицидов в почве в некоторой области подсистема определяет наиболее вероятные координаты места положения источника загрязнения;

-подсистема визуализации данных предназначена для построения атласа тематических карт Воронежской области с нанесением зон загрязнения территории области опасными химическими веществами, определения размеров зон и обозначения наиболее вероятного места нахождения источника загрязнения.

3. Разработан алгоритм взаимодействия основных компонентов системы для решения поставленной задачи моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями.

4. Проведен сравнительный анализ сигмоидальных сетей и сетей радиальных базисных функций (РБФ) и выявлены преимущества применения РБФ для решения задачи моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями.

5. Сформирована база данных, включающая в себя таблицы данных значений концентраций пестицидов в почве и координаты мест отбора проб. На основании имеющихся статистических данных сформирована база знаний для обучения ИНС РБФ.

6. Сформирована и обучена РБФ для решения задачи моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями. Для обучения нейронной сети использовался алгоритм обобщенной регрессии, который был модифицирован для решения поставленной конкретной задачи.

7. Приведена реализация решения задачи определения концентрации в заданных точках при помощь ИНС РБФ. Полученный процент ошибки распознавания удовлетворяет требованиям, предъявляемым к уровню распознавания при решении слабоформализованных задач.

8. Разработаны способы интерпретации и отображения результатов моделирования и прогнозирования, заключающиеся в построении карт линий уровня (изолиний) по степени загрязнения почв био- и химически опасными удобрениями.

9. Решена задача сглаживания и отображения линий уровня. Задача отображения решалась методом трассировки, задача сглаживания - методом аппроксимации Безье.

10. Разработана функциональная и логическая схема системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, характеризующаяся интеграцией четырех подсистем: подсистемы

хранения данных, нейроимитатора, подсистемы визуализации данных и подсистемы поддержки принятия решений. Указанная функциональная и логическая схемы определяют структуру программно-информационного обеспечения СППР «НейроГИС».

11. Разработано программно-информационное обеспечение СППР «НейроГИС», предназначенное для анализа данных по загрязнению почвы, прогнозированию уровня и координат источника загрязнения, отображения полученных данных в виде слоя карты изолиний, оценки уровня опасности для здоровья населения, проживающего в зоне риска, и выдачи комплекса мер по снижению уровня опасности.

12. Данная СППР «НейроГИС» в виде комплекса технических средств и программно-информационного обеспечения внедрена в Главном Управлении ГО ЧС по Воронежской области. Ожидаемый годовой экономический эффект 117 тыс. руб.

Основные результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендованных ВАК РФ

1. Лиц Н.В. Формирование алгоритма построения линий уровня методом трассировки / Н.В. Лиц, О.П. Перегудова, В.И. Федянин // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях. - 2004. Вып. 10.1. С. 16-18

2. Лиц Н.В. Прогнозирование территориального риска опасного производственного объекта / Н.В. Лиц, О.П. Перегудова, В.И. Федянин // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях. - 2004. Вып. 10.1. С. 22-24

3. Лиц Н.В. Методы оптимизации представления информации в системах поддержки принятия решений в условиях оперативного решения в чрезвычайных ситуациях / Н.В. Лиц, О.П. Перегудова // Вестник Воронежского государственного технического университета. - 2005.- Т.1. - №7. - С. 10-13

4. Лиц Н.В. Математическое и алгоритмические обеспечение генерации сценариев контрмер по ликвидации последствий чрезвычайных ситуаций / Н.В. Лиц, О.П. Перегудова, В.И. Федянин // Вестник Воронежского государственного технического университета. - 2006.- Т.2. - №4. - С. 5-7

5. Лиц Н.В. Формирование и обучение искусственной нейронной сети для решения задач моделирования и прогнозирования чрезвычайных ситуаций / Н.В. Лиц, О.П. Перегудова, Ю.И. Усов // Вестник Воронежского государственного технического университета. - 2006 - Т.2. - №4. - С. 24-26

Статьи

6. Лиц Н.В. Геоинформационный мониторинг радиоактивного загрязнения при помощи нейронных сетей с обобщенной регрессией / Н.В. Лиц, О.П. Сиволобова, В.И. Федянин // Информатика: проблемы, методология, технологии: труды регион, конф. - Воронеж: ВГУ, 2004. - С. 17-19.

7. Лиц Н.В. Мониторинг выбросов токсических радиоактивных веществ с применением ГИС-технологий / Н.В. Лиц, О.П. Сиволобова, В.И. Федянин // Интеллектуальные информационные системы: труды всерос. конф. - Воронеж, 2004. - С. 28-30.

8. Лиц Н.В. Формирование геоинформационных систем для решения экологических проблем, связанных с радиоактивным загрязнением территории / Н.В. Лиц, О.П. Сиволобова, В.И. Федянин // Системы жизнеобеспечения и управления в чрезвычайных ситуациях: межвуз. сб. науч. тр. - Воронеж: ВГТУ, 2004. - С. 289-292.

9. Лиц Н.В. Разработка искусственной нейронной сети радиальных базисных функций для анализа и моделирования данных по загрязнению почвы / Н.В. Лиц, О.П. Сиволобова, В.И. Федянин // Оптимизация и моделирование в информационных системах: межвуз. сб. науч. тр. - Воронеж: ВГТУ, 2004. -

10. Лиц Н.В. Прогнозирование территориального риска опасного производственного объекта / Н.В. Лиц, О.П. Перегудова // Информатика: проблемы, методология, технологии: труды регион, конф. Воронеж, 2005. С. 117-119.

11. Лиц Н.В. Ассимиляция данных и оценка неопределенности в системах поддержки принятия решений, на основе байесовской методологии / Н.В. Лиц, О.П. Перегудова // Интеллектуальные информационные системы: труды всерос. конф. — Воронеж, 2005. — С. 34-36.

12. Лиц Н.В. Особенности организации систем поддержки принятия решений в чрезвычайных ситуациях / Н.В. Лиц, О.П. Перегудова// Всероссийская научно-практическая конференция студентов и аспирантов: труды всерос. конф. - Сыктывкар, 2005. - С. 24-28.

13. Лиц Н.В Использование стохастических моделей дефицита информации в эколого-географических исследованиях / Н.В. Лиц, О.П. Перегудова // Интеллектуальные информационные системы: труды всерос. конф. - Воронеж, 2005. - С. 276-277.

14. Лиц Н.В. Принципы разработки системы поддержки принятия решений моделирования и прогнозирования загрязнения окружающей среды химическими удобрениями / Н.В. Лиц // Системы жизнеобеспечения и управления в чрезвычайных ситуациях: межвуз. сб. науч. тр. - Воронеж: ВГТУ, 2005. - С. 47-

15. Лиц Н.В. Интеллектуализация измерений в задачах мониторинга сложных технических объектов / Н.В. Лиц, О.П. Перегудова // Интеллектуальные информационные системы: труды всерос. конф. - Воронеж, 2006. - С. 147-

С. 35-39.

50.

148.

Подписано в печать 7.11.2006. Формат 60х 84/16. Бумага для множительных аппаратов. Усл. печ. л. 1,0. Тираж 85 экз. Заказ № ГОУВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп., 14

аппар;

ВВЕДЕНИЕ.

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К РЕШЕНИЮ ПРОБЛЕМЫ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ ЗАРАЖЕНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ БИО- И ХИМИЧЕСКИ ОПАСНЫМИ УДОБРЕНИЯМИ И НАПРАВЛЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ СИСТЕМ ЗАЩИТЫ ОКРУЖАЮЩЕЙ

СРЕДЫ.

1.1 Современный подход к решению проблемы моделирования и прогнозирования процессов заражения окружающей среды био- и химически опасными удобрениями.

1.1.1 Оценка современное состояние проблемы загрязнения почв био- и химически опасными удобрениями.

1.1.2 Обзор существующих подсистем и модулей прогнозирования пространственных данных, использующих нейросетевой и геоинформационный подходы.

1.2. Оценка возможности применения геоинформационных технологий и искусственных нейронных сетей для моделирования и прогнозирования очагов заражения окружающей среды био- и химически опасными удобрениями.

1.3. Цели и задачи исследования.

ГЛАВА 2 РАЗРАБОТКА СИСТЕМЫ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ОЧАГОВ ЗАРАЖЕНИЯ БИО- И ХИМИЧЕСКИ ОПАСНЫМИ УДОБРЕНИЯМИ НА ОСНОВЕ ГИС-ТЕХНОЛОГИЙ.

2.1 Разработка структуры модели системы прогнозирования очагов заражения био- и химически опасными удобрениями.

2.2 Описание основных элементов системы поддержки принятия решений для моделирования и прогнозирования очагов загрязнения био- и химически опасными удобрениями.

2.2.1 База данных - подсистема хранения пространственных и атрибутивных данных.

2.2.2 Экспертная система - подсистема поддержки принятия решений.

2.2.3 ГИС - подсистема визуализации результатов моделирования.

2.3 Выводы второй главы.

ГЛАВА 3. ИНТЕГРАЦИЯ ПОДСИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ В ГИС-СИСТЕМЕ МОНИТОРИНГА ЗАРАЖЕНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ БИО- И ХИМИЧЕСКИ ОПАСНЫМИ УДОБРЕНИЯМ.

3.1. Формирование и обучение искусственной нейронной сети для целей прогнозирования очагов заражения био- и химически опасными удобрениями.

3.1.1 Модификация алгоритма обобщенной регрессии.

3.1.2 Описание модели нейронной сети обобщенной регрессии.

3.2. Моделирование поддержки принятия решений по результатам прогнозирования очагов заражения био- и химически опасными удобрениями.

3.2.1 Решение задачи заполнения пропусков в данных с помощью искусственной нейронной сети.

3.2.2. Получение, интерпретация и отображение результатов.

3.2.3 Построение информационной модели карты линий уровня.

3.3. Выводы третьей главы.

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНО-ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ОЧАГОВ ЗАРАЖЕНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ БИО- И ХИМИЧЕСКИ ОПАСНЫМИ УДОБРЕНИЯМИ.

4.1 Описание функциональной структуры и программно-информационного обеспечения подсистемы прогнозирования очагов заражения био- и химически опасными удобрениями.

4.2 Пример работы программы.

4.3 Оценка эффективности разработанной системы поддержки принятия решений «НейроГИС».

4.4 Выводы четвертой главы.

Актуальность темы. На современном этапе развития общества очень остро встают вопросы экологической безопасности. Состояние среды сказывается и на самом человеке, который, потребляя продукты сельского хозяйства, дыша загрязнённым воздухом, подвергается воздействию вредных веществ.

Очевидное ухудшение состояния окружающей среды, сказывающееся в глобальных изменениях климата, истощении озонового слоя, исчезновении биологических видов, обусловило выход проблем защиты природы и мониторинга ее состояния в число самых приоритетных задач человечества.

Всемирной конференцией по окружающей среде и развитию (Рио-де-Жанейро, 1992 г.) принят ряд документов, накладывающих жесткие обязательства на страны мира по участию в программе охраны и защиты окружающей среды. Россией, подписавшей и ратифицировавшей конвенции о биоразнообразии, об изменениях климата и участвующей в Международном десятилетии ООН по уменьшению опасности стихийных бедствий, принят ряд федеральных целевых программ, предусматривающих восстановление и серьезное развитие систем и методов охраны окружающей среды. При этом ставится задача средствами наземного, воздушного, водного и космического базирования обеспечить получение данных для оценки и прогноза состояния окружающей среды в связи с естественными процессами и хозяйственной деятельностью человека. Для их решения и выполнения международных обязательств необходимо развитие био- и геосферного, природно-хозяйствен-ного, биоэкологического и санитарно-гигиенического мониторинга на глобальном, региональном и локальном уровнях.

Вредное влияние на здоровье населения а так же на состояние экосистем оказывает загрязнение почвы био- и химически опасными средствами, применяемыми в сельском хозяйстве для повышения урожайности, что возможно при отступлении от санитарных и технических правил работы с ними. Внесение в почву минеральных удобрений, гербицидов и пестицидов при нарушениях в технологии применения вызывает их накопление в почве выше допустимых пределов и приводит к загрязнению сельскохозяйственной продукции, подземных вод и водоемов.

Химические вещества в почве не находятся в статическом положении. Существует их миграция в почве. Это означает перемещение химических элементов в различных направлениях и с разной скоростью. Она зависит от многих факторов, которые учесть без использования информационно-измерительной техники невозможно. Существующая техника для непосредственного измерения концентраций химических удобрений в почве не позволяет проводить исследования с достаточной частотой, поэтому возникает необходимость создания системы моделирования и прогнозирования, которая на основе косвенных данных, используя модели экологических систем, прогнозирует состояние химических удобрений в почве.

Работа выполнена в соответствии с одним из приоритетных направлений федерального уровня «Экология и рациональное природопользование», межвузовской комплексной НТП 12.11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных научных направлений Воронежского государственного технического университета «Проблемно-ориентированные системы управления».

Цели и задачи исследования. Целью диссертации является разработка методов, алгоритмов и программного обеспечения моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями на основе нейросетевых технологий, создание интеллектуальных средств системы поддержки принятия решений по предупреждению и ликвидации

ЧС. Для достижения поставленной цели необходимо решить следующие научные задачи:

-оценить возможность применения ГИС-технологий и нейросетевых моделей для прогнозирования процессов заражения окружающей среды био-и химически опасными удобрениями;

-разработать структуру системы поддержки принятия решений моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

-определить способы интеграции интеллектуальной подсистемы добычи знаний и подсистемы визуализации пространственных данных;

-выбрать способ представления знаний в системе и разработать алгоритм взаимодействия всех составляющих подсистем;

-сформировать и обучить нейронную сеть для решение задачи моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

-решить задачи визуализации полученных пространственных данных с помощью геоинформационной системы путем построения тематических карт по уровням загрязнения территории Воронежской области опасными химическими веществами;

-разработать структуру и сформировать функциональное наполнение отдельных подсистем системы поддержки принятия решений моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями;

-разработать экспертную систему поддержки принятия решений, ориентированную на определение уровня загрязнения опасными химическими веществами заданной территории, наиболее вероятного местонахождения источник загрязнения, а так же предложить комплекс мер по снижению уровня загрязнения почвы и снижению риска нанесения вреда здоровью населения, проживающего на рассматриваемой территории.

Методы исследования. Для решения поставленных задач в работе используются методы теории вероятностей, математического программирования и построения экспертных систем, теории нечетких множеств и мягких вычислений, основные понятия теории систем, методы теории искусственного интеллекта, имитационного моделирования, методы теории нейронных сетей, геоинформационных систем.

Научная новизна результатов исследования. Основные результаты диссертации, выносимые на защиту и имеющие научную новизну, состоят в следующем: структура системы моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, отличающаяся интеграцией подсистем интеллектуального анализа результатов мониторинга загрязнения почв, визуализации данных и экспертной системы; алгоритм формирования искусственной нейронной сети радиальных базисных функций, позволяющая на основании нечеткой исходной информации построить прогностические модели распространения загрязнения; метод построения тематических карт на основании информации полученной при работе нейронной сети, позволяющий визуально оценить уровень загрязнения почвы и определить наиболее вероятные координаты источника загрязнения; интеграция в едином комплексе подсистемы интеллектуально анализа данных, подсистемы визуализации данных и подсистемы поддержки принятия решений, позволяющая не только провести анализ данных о загрязнении почвы, но и отобразить полученные результаты на карте, а так же предложить комплекс мер по снижению риска нанесения вреда здоровью населения

Практическая ценность и реализация результатов работы.

Разработана система моделирования и прогнозирования очагов заражения био- и химически опасными удобрениями, позволяющая на основании пространственно-распределенных данных строить прогностические модели, определять уровень загрязнения в любой точке рассматриваемой территории, и достоверно определять место нахождения источника загрязнения.

Наличие встроенного в систему модуля поддержки принятия решений позволяет оценить уровень загрязнения указанной территории, определить уровень риска для здоровья населения. Результатом работы системы является атлас тематических карт по уровням загрязнения территории, а так же комплекс мероприятий по снижению риска для населения, проживающего в рассматриваемой зоне.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях, семинарах и совещаниях: «Информатика: проблемы, методология, технологии», региональная конференция, (Воронеж 2004, 2005); «Интеллектуальные информационные системы», Всероссийская конференция, (Воронеж 2004, 2005, 2006); Всероссийская научно-практическая конференция студентов и аспирантов, (Сыктывкар 2005); семинарах кафедры «Технологии и обеспечения гражданской обороны в чрезвычайных ситуациях».

Публикации. По теме диссертационной работы опубликовано 15 научных работ.

В работах, опубликованных в соавторстве, лично соискателю принадлежат: в [61, 64] разработка технологии восстановления пропусков в данных; в [63] задание неопределенности в данных в виде вероятностных оценок; в [65, 66, 73, 75] разработка структуры системы поддержки принятия решений в ЧС; в [68] разработка математического обеспечения генерации сценариев контрмер; в [67,70] построение прогностических моделей; в [69, 72, 74] формирование и обучении искусственной нейронной сети; в [71] модификация метода трассировки для решения задачи отображения распространения загрязнения.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, приложений; изложена на 157 страницах, содержит 45 рисунков, 2 таблицы; список литературы включает 153 наименования.

4.4 Выводы четвертой главы

1. Разработана функциональная и логическая схема системы моделирования и прогнозирования загрязнения окружающей среды химическими удобрениями, характеризующаяся интеграцией четырех подсистем: подсистемы хранения данных, нейроимитатора, подсистемы визуализации данных и подсистемы поддержки принятия решений. Указанная функциональная и логическая схемы определяют структуру программно-информационного обеспечения СППР «НейроГИС»

2. Разработано программно-информационное обеспечение СППР «НейроГИС», предназначенное для анализа данных по загрязнению почвы, прогнозированию уровня и координат источника загрязнения, отображения полученных данных в виде слоя карты изолиний, оценки уровня опасности для здоровья населения, проживающего в зоне риска и выдачи комплекса мер по снижению уровня опасности.

3. Данная СППР «НейроГИС» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс Воронежского государственного технического университета на кафедре «Технологии и обеспечения гражданской обороны в чрезвычайных ситуациях» для студентов специальности «Защита в чрезвычайных ситуациях» и в Главном Управлении ГО ЧС по Воронежской области. Ожидаемый годовой экономический эффект 117 тыс. руб.

127

ЗАКЛЮЧЕНИЕ

1. Разработана структура модели системы моделирования и прогнозирования очагов загрязнения окружающей среды био- и химически опасными удобрениями, характеризующаяся интеграцией подсистем интеллектуальной обработки данных и подсистемы визуализации данных.

2. Разработана структура основных подсистем системы моделирования и прогнозирования очагов загрязнения окружающей среды био- и химически опасными удобрениями:

-Подсистема хранения данных включает в себя базу данных и базу знаний. База данных подсистемы характеризуется наличием пространственных и атрибутивных данные. Для формирования и пополнения базы знаний разработан алгоритм добычи знаний. Подсистема хранения данных должна обеспечить механизм быстрого и простого доступа к данным, а так же возможность пополнения подсистемы новыми данными и знаниями;

-Подсистема поддержки принятия решений содержит экспертную систему, предлагающую комплекс мероприятий для снижения риска нанесения вреда здоровью населения проживающего на территории загрязненной опасными химическими веществами. По заданным значениям концентрации био- и химически опасных веществ в почве в некоторой области подсистема определяет наиболее вероятные координаты места положения источника загрязнения;

-Подсистема визуализации данных предназначена для построения атласа тематических карт Воронежской области с нанесением зон загрязнения территории области био- и химически опасными веществами, определения размеров зон и обозначение наиболее вероятного места нахождения источника загрязнения.

3. Разработан алгоритм взаимодействия основных компонентов системы для решения поставленной задачи моделирования и прогнозирования очагов загрязнения био- и химически опасными удобрениями.

4. Проведен сравнительный анализ сигмоидальных сетей и сетей радиальных базисных функций (РБФ) и выявлены преимущества применения РБФ для решения задачи моделирования и прогнозирования загрязнения окружающей среды био- и химически опасными удобрениями.

5. Сформирована база данных, включающая в себя таблицы данных значений концентраций химически опасных веществ в почве и координаты мест отбора проб. На основании имеющихся статистических данных сформирована база знаний для обучения ИНС РБФ.

6. Сформирована и обучена РБФ для решения задачи моделирования и прогнозирования очагов загрязнения окружающей среды био- и химически опасными удобрениями. Для обучения нейронной сети использовался алгоритм обобщенной регрессии, который был модифицирован для решения поставленной конкретной задачи.

7. Приведена реализация решения задачи определения концентрации в заданных точках при помощь ИНС РБФ. Полученный процент ошибки распознавания удовлетворяет требованиям предъявляемым к уровню распознавания при решении слабо формализованных задачах.

8. Разработаны способы интерпретации и отображения результатов моделирования и прогнозирования, заключающиеся в построении карт линий уровня (изолиний) по степени загрязнения почв био- и химически опасными удобрениями.

9. Решена задача сглаживания и отображения линий уровня. Задача отображения решалась методом трассировки, задача сглаживания - методом аппроксимации Безье.

10. Разработана функциональная и логическая схема системы моделирования и прогнозирования очагов загрязнения окружающей среды био- и химически опасными удобрениями, характеризующаяся интеграцией четырех подсистем: подсистемы хранения данных, нейроимитатора, подсистемы визуализации данных и подсистемы поддержки принятия решений. Указанная функциональная и логическая схемы определяют структуру программно-информационного обеспечения СППР «НейроГИС»

11. Разработано программно-информационное обеспечение СППР «НейроГИС», предназначенное для анализа данных по загрязнению почвы, прогнозированию уровня и координат источника загрязнения, отображения полученных данных в виде слоя карты изолиний, оценки уровня опасности для здоровья населения, проживающего в зоне риска и выдачи комплекса мер по снижению уровня опасности.

12. Данная СППР «НейроГИС» в виде комплекса технических средств и программно-информационного обеспечения внедрена в учебный процесс Воронежского государственного технического университета на кафедре «Технологии и обеспечения гражданской обороны в чрезвычайных ситуациях» для студентов специальности «Защита в чрезвычайных ситуациях» и в Главном Управлении ГО ЧС по Воронежской области. Ожидаемый годовой экономический эффект 117 тыс. руб.

130

1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

2. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика. - 1974. 240 с.

3. Айзенберг Л.А. Формулы Карлемана в комплексном анализе. Первые приложения. Новосибирск: Наука, 1990.

4. Александрова Т.Д. Статистические методы изучения природных комплексов. М.: Наука, 1975. 96 с.

5. Аниканов А.А. Визуализация векторных полей с использованием текстурной анимации // Изв. вузов. Сев.-Кав. регион. Естеств. науки. 2001. № 4. с. 5-9.

6. Атлас природных и техногенных опасностей и рисков чрезвычайных ситуаций в Российской Федерации / Под ред. С.К. Шойгу. -М.: ИПЦ «Дизайн. Информация. Картография», 2005. 270 с.

7. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1992. 488с.

8. Ашкеназы В.О. Алгоритмы построения линий уровня функций двух переменных // Интеллектуальные информационные системы: Тез.докл. ежегод. науч. конф. СПб., 2004. С. 58

9. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ -Петербург, 2004. - 336 с.

10. Берлянт A.M. Геоэкономика. М: Финансы и статистика, 1996.208 с.

11. Берлянт A.M. Теоретические проблемы картографии. М.: Изд-во МГУ, 1993. 116 с.

12. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448с.

13. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. -М.: Наука, 1974.

14. Геловани В.А., Башлыков А.А., Бритков В.Г., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. -М.: Эдиториал УРСС, 2001. 304 с.

15. Гилева J1.B., Гилев С.Е., Горбань А.Н. Нейросетевой бинарный классификатор "CLAB" (описание пакета программ). Красноярск: Ин-т биофизики СО РАН. 1992. 25 с.

16. Гилева Л.В., Гилев С.Е., Горбань А.Н., Гордиенко П.В., Еремин Д.И., Коченов Д.А., Миркес Е.М., Россиев Д.А., Умнов Н.А. Нейропрограммы. Учебное пособие: В 2 ч. // Красноярск, Красноярский государственный технический университет. 1994. 260 с.

17. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир. - 1985. 509 с.

18. Горбань А.Н. Быстрое дифференцирование, двойственность и обратное распространение ошибки / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН. 1998. С. 73-100.

19. Горбань А.Н. Нейрокомпьютер, или Аналоговый ренессанс. Мир ПК. 1994. № 10. С. 126-130.

20. Горбань А.Н. Обучение нейронных сетей. М.: изд. «ParaGraph». - 1990. 160 с.

21. Горбань А.Н., Новоходько А.Ю. Нейронные сети в задаче транспонированной регрессии, Второй Сибирский Конгресс по Прикладной и Индустриальной Математике, Тезисы докладов. Новосибирск, 1996. С.160-161.

22. Горбань А.Н., Новоходько А.Ю., Царегородцев В.Г. Нейросетевая реализация транспонированной задачи линейной регрессии, Нейроинформатика и ее приложения: Тезисы докладов IV Всероссийского семинара. Красноярск. 1996. С. 37-39.

23. Горбань А.Н., Россиев А.А. Итерационный метод главных кривых для данных с пробелами // Проблемы нейрокибернетики: Труды 12 Международной конференции по нейрокибернетике. Ростов-на-Дону: Издательство СКНЦВШ. - 1999. С. 198-201.

24. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 276 с.

25. Дейвисон М. Многомерное шкалирование: Методы наглядного представления данных.- М.: Финансы и статистика, 1988.

26. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика. - 1981. 302 с.

27. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1996. 512с.

28. Дюк В., Самоленко A. Data mining: учебный курс. СПб.: Питер, 2001.368 с.

29. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов. Радио, 1992. 206 с.

30. Загоруйко Н.Г., Ёлкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1995. 110с.

31. Загоруйко Н.Г., Ёлкина В.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм .ZET.) // Вычислительные системы. Новосибирск, 1995. Вып. 61. Эмпирическое предсказание и распознавание образов. С. 3-27.

32. Замай С.С., Якубайлик О.Э. Программное обеспечение и технологии геоинформационных систем: Учеб. пособие // Краснояр. гос. унт. Красноярск, 1998. 110 с.

33. Зиновьев А.Ю., Питенко А.А. Визуализация произвольных данных методом упругих карт // Материалы конференции молодых ученых Красноярского научного центра СО РАН, апрель 2000г. Красноярск: КНЦ СО РАН, 2000. С. 18.20.

34. Зиновьев А.Ю., Питенко А.А. Визуализация произвольных данных. //1 Всесибирский конгресс женщин математиков. Тезисы докладов. ИВМ СО РАН: Красноярск, 2000. С.76.

35. Зиновьев А.Ю., Питенко А.А. Картографирование произвольных данных. // "Студент и научно-технический прогресс": Информационные технологии. Материалы XXXVIII международной научной студенческой конференции. Новосибирск: НГУ. 2000. С.38.

36. Зиновьев А.Ю., Питенко А.А. Система визуализации произвольных данных. // 2-я Всероссийская научно-техническая конференция .Нейроинформатика-2000. 4.1. -М.: МИФИ. 2000. С.75-80.

37. Зиновьев А.Ю., Питенко А.А., Россиев А.А. Проектирование многомерных данных на двумерную сетку. // 2-я Всероссийская научно-техническая конференция .Нейроинформатика-2000. Сборник научных трудов. 4.1. М.: МИФИ. 2000. С.80-88.

38. Искусственный интеллект; В 3 кн. Кн. 1. Системы общения и экспертные системы; Справочник / Под ред. Э.В. Попова. М.: Радио и связь. - 1990. 464с.

39. Искусственный интеллект; В 3 кн. Кн.2 Модели и методы; Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь. - 1990. 304 с.

40. Каллан, Роберт. Основные концепции нейронных сетей.: Пер. с англ. — М.: Издательский дом "Вильяме", 2003. — 288 с.

41. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. 736 с.

42. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973. 900 с.

43. Киселев В.Г., Яковлев А.Ф. О некоторых математических задачах, возникающих при реализации на ЭВМ географических информационных систем // Кибернетика и вычислительная техника. Вып. 3. М.: Наука, 1997. С. 277-296.

44. Коваленко И. Н., Филиппова А.А. Теория вероятностей и математическая статистика. М.: Высш. школа, 1982. 256 с.

45. Коновалова Н.В., Капралов Е.Г. Введение в ГИС М.: Наука , 1997. 160 с.

46. Конон Н.И. Введение в проблематику информационного обеспечения геоинформационных систем. — М.: Недра, 2000. 44 с.

47. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. -М.: «Нолидж», 2000. 352 с.

48. Корнейчук Н.П. Сплайны в теории приближения. М: Наука, 1984.352 с.

49. Королев Ю.К. Общая геоинформатика. Ч. 1 Теоретическая геоинформатика. Вып. 1, М.: СП«Дата+», 1998.

50. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.

51. Кошкарев А.В., Тикунов B.C. Геоинформатика. М.: Картгеоцентр-Геодезиздат, 1993. 348 с.

52. Кравецкий А.С., Демьянов В.В., Каневский М.Ф., Савельева Е.А., Тимонин В.А., Чернов С.Ю. Картирование пространственных данных при помощи многослойного персептрона и геостатистики. № IBRAE-99-03. М: Препринт, 1999. 41 с.

53. Крауклис А.А. Географический прогноз и результаты изучения динамики геосистем // Модели и методы оценки антропогенных изменений геосистем. Новосибирск: Наука, 1986. С. 12-22.

54. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд.,стереотип. - М.: Горячая линия - Телеком, 2002. 383 с.

55. Крылов В.И., Бабков В.В., Монастырный П.И. Интерполирование и интегрирование. Минск: Наука и техника, 1983. 287 с.

56. Лисицкий Д.В. Основные принципы цифрового картографирования местности. М., Недра, 1988. 261с.

57. Лиц Н.В, Перегудова О.П. Использование стохастических моделей дефицита информации в эколого-географических исследованиях // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж, 2005. С. 276-277

58. Лиц Н.В., Перегудова О.П. Ассимиляция данных и оценка неопределенности в системах поддержки принятия решений, на основе байесовской методологии // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж, 2005. С. 34-36

59. Лиц Н.В., Перегудова О.П. Интеллектуализация измерений в задачах мониторинга сложных технических объектов // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж, 2006. С. 147-148

60. Лиц Н.В., Перегудова О.П. Особенности организации систем поддержки принятия решений в чрезвычайных ситуациях // Труды Всерос. конф. Сыктывкар, 2005. С. 24-28

61. Лиц Н.В., Перегудова О.П. Прогнозирование территориального риска опасного производственного объекта // Информатика: проблемы, методология, технологии: Труды регион, конф. Воронеж, 2005. С. 117-119

62. Лиц Н.В., Перегудова О.П., Федянин В.И., Прогнозирование территориального риска опасного производственного объекта // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях. 2004. Вып. 10.1. С. 22-24

63. Лиц Н.В., Перегудова О.П., Федянин В.И., Формирование алгоритма трассировки построения линий уровня методом трассировки // Вестник Воронеж, гос. техн. ун-та. Сер. Системы и средства безопасности в чрезвычайных ситуациях. 2004. Вып. 10.1. С. 16-18

64. Лиц Н.В., Сиволобова О.П., Федянин В.И., Геоинформационный мониторинг раиоактивного загрязнения при помощи нейронных сетей с обобщенной регрессией // Информатика: проблемы, методология, технологии: Труды Регион, конф. Воронеж, 2004. С. 17-19

65. Лиц Н.В., Сиволобова О.П., Федянин В.И., Мониторинг выбросов токсических радиоактивных веществ с применением ГИС-технологий // Интеллектуальные информационные системы: Труды Всерос. конф. Воронеж, 2004. С. 28-30

66. Мартыненко А.И. Картографическое моделирование и геоинформационные системы // Геод. и картогр. 1994, N 9. С. 43-45.

67. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к,т.н. В.Г. Потемкина. -М.: ДИАЛОГ-МИФИ, 2002. 496 с.

68. Методы нейроинформатики. Сб.научн.трудов. / Под ред. А.Н. Горбаня. Красноярск: КГТУ. 1998. 204 с.

69. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия - Телеком, 2003. 205с.

70. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем СПб.: Наука и Техника, 2003. 384с.

71. Нейлор К. Как построить свою экспертную систему. М.: Энергоатомиздат, 1991. 288 с.

72. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев.-Новосибирск: Наука, Сибирская издательская фирма РАН. 1998. 296 с.

73. Нильсон Н. Искусственный интеллект. М.: Мир. - 1973. 270 с.

74. Ноженкова Л.Ф. Экспертные геоинформационные системы по предупреждению и ликвидации чрезвычайных ситуаций / Вычислительные технологии. 1999. - Том 4, Специальный выпуск. С. 111-118.

75. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. -М.: Наука, 1981. 208 с.

76. Основы геоинформатики: В 2 кн. Кн. 1: Учеб. пособие для студ. вузов / Е.Г. Капралов, А.В. Кошкарев, B.C. Тикунов и др.; Под ред. В.С.Тикунова. М.: Издательский центр «Академия», 2004. - 480 с.

77. Основы геоинформатики: В 2 кн. Кн. 2: Учеб. пособие для студ. вузов / Е.Г. Капралов, А.В. Кошкарев, B.C. Тикунов и др.; Под ред. В.С.Тикунова. М.: Издательский центр «Академия», 2004. - 480 с.

78. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского М.: Финансы и статистика, 2004. - 334 с.

79. Павлов С.В., Гвоздев В.Е., Митакович С.А., Ефремова О.А., Плеханов С.В. Моделирование аварийных разливов нефти и нефтепродуктов для планирования действий в условиях ЧС. // ArcReview №3 (26), ДАТА+, г. Москва, 2003 г. С. 15-16.

80. Переберин А.В. Построение изолиний с автоматическим масштабированием // Вычислительные методы и программирование. 2001. - Т.2. №1. - С. 118-128.

81. Питенко А.А. Визуализация и моделирование различных данных. // Нейроинформатика и ее приложения. Тезисы докладов VII Всеросс. семинара. Красноярск: КГТУ, 1999. С.114-115.

82. Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС // Методы нейроинформатики: сборник научных трудов / Под ред. А.Н. Горбаня; Отв. за вып. М.Г.Доррер. -Красноярск: КГТУ, 1998. С. 152-163.

83. Питенко А.А. Картографирование всех и всяческих данных // Труды международной конференции «ГИС для оптимизации природопользования в целях устойчивого развития территорий» (ИНТЕРКАРТО 5). - Якутск: Изд-во Якутского ун-та, 1999. 1ч. С. 71-79.

84. Питенко А.А. Нейросетевая парадигма решения аналитических задач в ГИС // "Студент и научно-технический прогресс": Информационные технологии. Материалы XXXVII международной научной студенческой конференции.Новосибирск: НГУ. 1999. С.34.

85. Питенко А.А. Нейросети для геоинформационных систем. // Всерос. науч.-техн. конф. Нейроинформатика-99. Сборник научных трудов. 4.1. М.: МИФИ, 1999. С. 65-68.

86. Питенко А.А. Новый подход к решению аналитических задач в ГИС // Материалы конференции молодых ученых Института вычислительного моделирования СО РАН, март 1999г. Красноярск: ИВМ СО РАН, 1999. С.89 - 90.

87. Пузаченко Ю.Г. Математические методы в экологических и географических исследованиях М.: «Академия», 2004. - 416 с.

88. Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах. // Методы нейроинформатики: Сб. Научных трудов. Красноярск: Изд-во КГТУ. 1998. 204 с.

89. Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики / Под ред. А.Н.Горбаня. Красноярск: Изд-во КГТУ. - 1998. С. 6-22.

90. Рыков А.С. Модели и методы системного анализа: принятие решений и оптимизация: Учебное пособие для вузов. М.: МИСИС. Издательский дом «Руда и металлы». 2005, 352 с.

91. Савельева Е. А. Аналитический обзор методов анализа и оптимизации сети мониторинга / Институт проблем безопасного развития атомной энергетики. Москва, 37 с.

92. Саймон Хайкин. Нейронные сети. Полный курс. М.: Издательский дом «Вильяме», 2006,1104 с.

93. Самарский А.А., Гулин А.В. Численные методы: Учеб. пособие для вузов. М.: Наука. - 1989. 432 с.

94. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. -М.: Высшая школа. 2002. 183 с.

95. Ю7.Тикунов B.C. Моделирование в картографии: Учебник. М.: Изд-во МГУ, 1997. 405 с.

96. Трахтенгерц Э.А. Компьютерная поддержка переговоров при согласовании упрвленческих решений. М.: СИНТЕГ, 2003. 284 с.

97. Трахтенгерц Э.А. Компьютерная поддержка принятия решений -М.: СИНТЕГ, 1998. 376 с.

98. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. -М.: СИНТЕГ, 2001. 256 с.

99. Ш.Уэно X., Исидзука М. Представление и использование знаний. -М.: Мир, 1989.220 с.

100. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989. 272с.

101. ПЗ.Хаксхолд В. Введение в городские географические информационные системы. New York: Oxford. 1991. 321 с.

102. Халугин Е.И., Жалковский Е.А., Жданов Н.Д. Цифровые карты. М., Наука, 1992.-415с.

103. Худолей В.В., Мизгирёв И.В., Экологически опасные факторы. -Санкт-Петербург, Изд-во Банк Петровский. 1996. 186с.

104. Цветков В.Я. Геоинформационные системы и технологии. М.: Финансы и статистика, 1998. 288 с.

105. Червяков В.А. О картографо-статистическом методе // Математические методы в географии. М.: Изд-во МГУ, 1968. С.140-142.

106. Червяков В.А., Черванев И.Г., Кренке А.И. и др. Модели полей в географии. Новосибирск: Наука. - 1989. 143 с.

107. Черноруцкий И.Г. Методы принятия решений. Учеб пособие. -СПб.: БХВ Петербург, 2005. 416 с.

108. Шабад Л.М., О циркуляции канцерогенов в окружающей среде, Москва, Медицина. 1973. 367с.

109. Шаши Шекхар, Санжей Чаула Основы пространственных баз данных / Пер. с англ. М.: КУДИЦ-ОБРАЗ, 2004. 336 с.

110. Шилтд Г. Самоучитель С++: Пер. с англ. 3-е изд. - СПб.: БХВ-Петербург, 2004. - 688 с.

111. Ярушкина Н.Г. Основы теории нечетких и гибридных систем М.: «Финансы и статистика», 2004. 320 с.

112. Afifi А.А., Elashoff R.M. Missing observations in multivariate statistics. J. Amer. Statist. Assoc. - 1966. - Vol. 61. P. 595-604.

113. Ahmad S., Tresp V. Classification with missing and uncertain inputs, Proc. of the 1993 IEEE ICNN. P. 1949.1954.

114. Armitage W.D., Lo J.C. Enhancing the robustness of a feedforward neural network in the presence of missing data, Proc. of the IEEE ICNN, Orlando, FL, USA. 1994 June. Vol.2. P.836-839.

115. Beale E.M., Little R.J. Missing values in multivariate analysis. J. Roy. Statist. Soc. B. - 1975. - Vol. 37. P. 129-145.

116. Bishop C.M. Regularization and complexity control in feed-forward networks. Aston University, Tech.Rep.NCRG-95-022, Neural computing research group.- 1995. 8p.

117. Bishop C.M. Theoretical foundation of neural networks. Aston Univ., UK Tech.Rep.NCRG-96-024, Neural computing research group. 1996. 8p.

118. Bouille F. Towards 2000: The actual main trends in future GIS// Eur. Transit.: Context of GIS: Conf. Proc., Brno, Aug. 28th-31st, 1994. Brno. 1994. P.13-27.

119. Buck S.F. A method of estimation of missing values in multivariate data. J. Roy. Statist. Soc. B. - 1960. Vol. 22. P. 202-206.

120. Fiesler E. Neural network classification and formalization. Computer Standarts and interfaces. V.I 6, Elseiver Science publishers, Amsterdam. - 1994. 13p.

121. Fischer M.M. From conventional to knowledge-based geographic information systems // Comput., Environ, and Urban Syst. 1994. 18, N 4. P. 233242.

122. Gilev S.E., Gorban A.N., Mirkes E.M. Several Methods for Accelerating the Training Process of Neural Networks in Pattern Recognition // Adv. Modelling & Analysis, A. AMSE Press. 1992. - Vol. 12, № 4 . P. 29-53.

123. Gleason T.C., Staelin R. A proposal for handling missing data. Psychometrika. 1975. - Vol. 40. - P. 229-252.

124. Gorban A.N., Novokhodko A.Yu. Neural Networks In Transposed Regression Problem, Proc. INNS WCNN. P 96.

125. Gorban A.N., Rossiev A.A. Wunch II D.C. Neural Network Modelling of Data with Gaps: Method of Principal Curves, Carleman's Formula and Other// Радюелектроннса. 1нформатика. Управлшня, Запорожье. 2000. № 1. С. 47-55

126. Griffith D. Toward a theory of spatial statistics. Geographical Analysis, 1980. P.325-339.

127. Heht-Nielsen R. Theory of the backpropagation neural network. -Neural Networks for Human and Mashine Perception. H.Wechsler (Ed.). Vol. 2. Boston, MA: Academic Press. 1992. P. 65 -93.

128. Hocking R.R., Marx D.L. Estimatiom with incomplete data: an improved computational method and the analysis of nested data. . Communs Statist. A. 1979.-Vol. 8. P. 1151-1181.

129. Kernsley, D.H., T. R. Martinez. A Survey of Neural Network Research and Fielded Applications // International Journal of Neural Networks: Research and Applications. Vol. 2, No. 2 / 3 / 4. - 1992. P. 123-133

130. Kohonen T. Self-Organizing Maps. Springer: Berlin Heidelberg,1997.

131. Little R.J., Rubin D.B. Statistical analysis with missing data. New York, Wiley.- 1987. 430 p.

132. Little R.J., Schlushter M.D. Maximum likelihood estimation for mixed continuous and categorical data with missing values. Biometrika. - 1985. - Vol. 72. P. 497-512.

133. Olmsted D. D. History and Principles of Neural Networks http:// www.neurocomputing.org / history.htm

134. Poggio T. and F. Girosi A Theory of Networks for Approximation and Learning. MIT A1 memo 1140. 1989. 87 p.

135. Sarle W. Stopped training and other remedies for overfitting. In Proc. of the 27th Symposium on the Interface. 1995. 10 p.

136. Scott L.M. Identification of GIS attribute error using exploratory data analysis// Prof. Geogr. 1994, 46, N 3, P. 378- 386.

137. Shen Q. An application of GIS to the measurement of spatial autocorrelation//Comput., Environ, and Urban Syst. 1994, 18, N 3. P. 167-191.

138. Shumsky S.A., Kochkin A.N. Self-Organizing maps of financial indicators of the 200 biggest Russian companies. Proc. All-Russia science conference "NeuroInformatics-99''. Moscow. 1999. Part 3. P. 122-127.

139. Wang F. The use of artificial neural networks in a geographical information system for agricultural tand-suitability assessment// Environ, and Plann. A. 1994. 26, N2. P.265-284.

140. Zhang J., Zhang J. 90'S GIS software system desing consideration// Cehui Xuebao Acta geo-daet. et cartogr.sin. 1994. 23.N2. P.127-134.