Прогнозирование опасных гидрологических явлений посредством искусственных нейронных сетей

2 сообщения / 0 новых
Последнее сообщение
Прогнозирование опасных гидрологических явлений посредством искусственных нейронных сетей

Здравствуйте! Начну с того, что с матлабом я не сильно дружу, но для достижения моей цели изучить мне его придется. Нужно составить модель прогнозирования опасных гидрологических явлений, в частности резкого повышения стока и наводнений. Цель: в конечном счете, на выходе, получить гидрограф стока для конкретной реки, который будет показывать в какой день, какого месяца в году будет такой или иной сток (измеряется в мм.). Входные данные: температура воздуха, температура воды, колличество осадков, запас воды в снеге, расход-приход лучистой энергии, глубина промерзания почвы, осеннее увлажнение почвы, приливной потенциал, высота статического прилива. Кроме того, что все параметры по разному влияют на итог (сток), то заранее распределил веса; но к тому же они все не однородны (измеряются в разных величинах: мм, градусы и т.д.), что вызывает большую сложность для вычисления. Не знаю как их всех привести к однородности, или к виду коэфициентов.

Может кто знает как обойти эту часть программирования? И с чего лучше начать что бы не запутаться?

Добрый день!

Добрый день!

Я думаю, что правильно для такого прогноза попробовать нейроннные сети, потому что уж больно пёстрый у вас "парк параметров" (разные значения, разные единицы измерения и etc).

Есть программа для работы с нейронными сетями — Weka, она не требует навыков программирования для создания сети. Ниже мнение специалиста, который с ней работал. Я сама с ней не работала.

Про Weka можно почитать здесь: http://ru.wikipedia.org/wiki/Weka и можно установить бесплатно отсюда: http://sourceforge.net/projects/weka/

Weka удобна тем, что есть широкий спектр алгоритмов из сферы data mining, которых обычно нет в стандартных статистических пакетах, тем более в MS Excel. Есть нейронные сети, support vector machine и многое другое, все можно попробовать — переключаться между алгоритмами легко. Вручную программировать ничего не надо, но нужно подготавливать данные в специальном текстовом формате *.arrf. почитать можно здесь: http://weka.wikispaces.com/ARFF здесь примеры текстового файла: http://www.cs.waikato.ac.nz/~ml/weka/arff.html

Готовый текстовый файл читается программой. В текстовом файле важен порядок следования величин в строке — каждая величина воспринимается как значение новой переменной, т.е. переменные стоят в столбцах.

После того, как текстовый файл Weka "съела", переменные из него автоматически распознаются и их можно включать и выключать из модели расстановкой галочек. Через меню выбирается алгоритм прогнозирования. Лучше всего работает некий алгоритм M15 (рекомендация для биржевых индексов).

Плюсы:

  1. исключительная простота использования;
  2. не нужно программировать и вручную подгонять алгоритмы, их можно просто перебирать;
  3. большое количество реализованных алгоритмов и моделей.

Минусы:

  1. необходимо подготавливать вводные данные в специальном формате;
  2. только алгоритмы data mining;
  3. невозможность индивидуальной подгонки.

----------------------
Ирина Чучуева,
команда Математического бюро

2010 - 2018 © Математическое бюро

Все права защищены в соответствии с законодательством РФ

При полном или частичном использовании материалов ссылка на сайт обязательна