Российский Государственный Гидрометеорологический Университет
Кафедра экологии и физики природной среды
Реферат:
Нейронные сети и их применение в геоэкологии.
Выполнил: Мирушкин Н.А.
Проверила: Колесникова Е.В.
Санкт-Петербург 2012
Содержание
Нейронные сети;
Адаптивные экологические модели, экспертные системы;
Сети и системы с самостоятельной адаптацией;
Нейронные сети;
Системный анализ экологической информации с помощью нейронных сетей;
Моделирование изменений экологических объектов с помощью нейронных сетей;
Описание модели;
Алгоритм работы нейросети;
Результаты моделирования;
Заключение
Литература
I. 1. Адаптивные экологические модели, экспертные системы.
Приводимые исследования объединены использованием адаптивных алгоритмов для решения экологических задач. Использование сетевых и, в частности, нейросетевых алгоритмов позволяет оперативно строить и модифицировать экологические экспертные системы и модели. Особенно эффективными эти модели становятся при принятии тезиса о пластичности Природы.
Примером мышления в сходном направлении (Земля самаподдерживает постоянство условий) за рубежом является гипотеза Геи, выдвинутая Джеймсом Лауэ. В настоящее время по ее поводу за рубежом идут бурные дебаты. Концепция биотической регуляции поверхности нашей планеты ("русская Гея") выдвинута в России профессором Горшковым. Его идея заключается в том, что регуляция существует исама жизньруководит ею в масштабе планеты. Более умеренных взглядов придерживается профессор Н.С.Печуркин. Его интересует принятие прогнозируемых решений отдельной особью ивсей системойот бактерий и выше. Однако носителем глобального разума является человеческое сообщество, хотя и у обезьян он уже активно работает. Объективности ради следует отметить, что представления о пластичности окружающего мира и неразрывной включенности в него человека разделяют сегодня не все ученые. Преобладающим остается пока мнение о Биосфере как о некой жестко организованной физической системе, поддерживаемой незыблемыми законами, которые человек может познать и использовать по своему усмотрению. Эти представления существуют и продолжают развиваться как в явной, так и в завуалированной форме, что не всегда осознается их сторонниками в силу переусложненности современной научной картины мира.
Использование адаптивных моделей дает возможность отслеживать экосистемные эволюционные процессы по реалистичным сценариям и с учетом их индивидуальных особенностей, что весьма проблематично при работе с традиционными методами моделирования.
2. Сети и системы с самостоятельной адаптацией.
Концептуальные основания обучающих алгоритмов для сетей и систем с самостоятельной адаптацией. Концепция сетей с самостоятельной адаптацией (одной из отличительных черт которых является поисковое поведение) развивается исходя из ряда естественнонаучных и философских оснований, некоторые из которых, будут рассмотрены ниже. Рассмотрение этих оснований дало толчок к построению требований для создания нейросетевых алгоритмов нового поколения, позволяющим решать новые классы задач, неразрешимые традиционными методами в силу своей внутренней сложности и высокой трудности формализации.
Как известно, существует два подхода к объяснению устойчивости окружающего нас мира, основанные на антропном принципе (имеется набор постоянных при которых мир устойчив):
1. существует механизм, который генерирует (или поддерживает) эти константы и, следовательно, устойчивость;
2. мир возник случайно с этими константами, поскольку все предыдущие миры "лопнули".
Описываемая концепция базируется на первом подходе и представляет собой попытку приближения к построению универсальных адаптивных механизмов поддержания упомянутых констант. Известная проблема проведения границы между живым и неживым в абстрактных рамках концепции не является актуальной и разрешается наложением ограничений на степень адаптивности подсистем в рамках моделируемой системы. В рассматриваемом контексте, концептуальные модели ориентируются на экологическую и биологическую проблематику. Нейроинформатика представляет собой, в данном случае, удобный "полигон" для разработки и апробации адаптивных сетевых алгоритмов для экологических (и других) моделей и важную самостоятельную область нейроинформационных приложений.
При разработке концепции был выдвинут ряд гипотез, положенных в ее основание. Выделим следующие из них:
1. сетевые информационные структуры мозга, элементы которых используются в нейроинформатике, не случайны и отражают общие закономерности процессов управления и преобразования информации в сложных системах окружающего мира (сходные идеи приводятся в известной работе);
2. управление экологическими системами, включая Биосферу (а также множеством других систем) является адаптивным, оптимальным (как правило мелкодискретным или плавным) и строится на поисковых принципах по заданным критериям устойчивости с использованием обратных связей;
3. адаптивные системы стремятся к оптимуму сложности, что выражается в стремлении к минимизации энергии, информационной и структурной сложности, необходимых для самоподдержания системы и сохранения ее адекватности (эффективности ее реакций) внешним условиям;
4. адаптивное управление осуществляется с верхнего системного уровня и вышележащие уровни иерархии определяют поведение нижележащих, что обеспечивает поддержание свойств системы в целом и интеграцию поведения всех подсистем в рамки системы, как целого;
5. выполнение системных функций верхних уровней может осуществляться различными структурами подсистем, которые могут адаптивно изменяться и перестраиваться в зависимости от потребностей системы в рамках ограничений возможностей элементов.
Приведенные положения ведут к ряду важных следствий. Выделим из них следующие:
1. структура системы формируется для реализации ее системных функций, а не наоборот, и может формироваться под воздействием множества случайных факторов, что приводит к множеству вариантов конкретных реализаций;
2. структура системы зависит от текущих возможностей (наличия тех или иных элементов и др.) и может значительно различаться для систем, выполняющих сходные функции, или даже одной системы во времени (например, в результате регенерации после значительных повреждений), либо иметь сходство для систем, выполняющих различные функции;
3. иерархические структуры подобных систем могут иметь очень сложный, перекрывающийся характер;
4. случайные факторы в адаптации позволяют системам выходить из локальных минимумов, нейтрализующих адаптивные процессы;
5. надежность таких систем связана с избыточностью элементов и подсистем, обеспечивающих вариативность их структуры;
6. на фоне адаптивного процесса в рассматриваемых системах могут протекать различные дополнительные процессы, как, например, рассматриваемые синергетикой и др.;
7. редукционистский подход к изучению описанных систем и идеи построения точных моделей живого, в данном контексте, не имеют смысла, поскольку отсутствуют закономерности, позволяющие восстановить функции системы по ее структурам или оценить сложность этих функций (возможность восстановления структур по известным функциям также проблематична ввиду их многовариантности).
Системные представления, на которых базируется концепция сетей и систем с самостоятельной адаптацией (поисковым поведением), постулирует несводимость свойств системы к свойствам ее элементов и невыводимости этих свойств из ее элементов. В то же время условие устойчивости свойств, точности их поддержания и адаптивности систем в окружающем мире (во всяком случае, экологических и биологических) приводит к необходимости постулирования того факта, что поведение элементов системы и ее подсистем должно строго подчиняться потребностям системы, связанным с поддержанием ее свойств. И лишь затем "внутренним" потребностям элементов и подсистем, "выживающих" в рамках системы только при этих условиях.
Адаптивность к изменению внешних условий предполагает эффективную перестройку внутренних структур системы в заданном направлении (направлении поддержания свойств системы). При этом решающим оказывается тот факт, что для сохранения свойств системы важны не столько ее элементы, сколько структура связей между ними, что коррелирует как с системными представлениями, так и с парадигмами нейроинформатики. На практике, при условии избыточности числа связей, относительно минимально необходимого для решения системных задач, это приводит к высокому уровню устойчивости и надежности экологических и биологических систем при значительных повреждениях.
О принципах обучения самоадаптирующихся сетей. Осмысление проблемы приводит к выдвижению ряда принципов, позволяющих конструировать обучающие нейросетевые алгоритмы с рассмотренными свойствами. Выделим следующие из них:
1.возможность целенаправленного обучения подразумевает известность критериев его успешности, дающих возможность сопоставления текущих результатов адаптивного процесса с требуемыми;
2. целью обучения может являться произвольный набор параметров объектов и состояний процессов адаптивной системы в которую входит нейросеть или системы самой являющейся адаптивной сетью (а не только выходы сети);
3.обучение строится на активной поисковой процедуре, направленной на сближение с заданными критериями успешного обучения нейросети;
4. подразумевается наличие обратных связей в адаптивных системах.
Перечисленные принципы позволяют создавать активные поисковые алгоритмы с самостоятельной целенаправленной адаптацией. К настоящему времени опубликовано и успешно испытано на программных моделях ряд методов адаптации нейронных сетей, синтезированных в рамках предложенной концепции. Ведется работа по синтезированию других методов и теоретическому обоснованию новых алгоритмов, разрабатываемых специально для реализации предложенной концепции.
Рис.1. Пример адаптивной системы, управляемой нейросетью с самостоятельной адаптацией.
Новые возможности концепции. Благодаря активной поисковой адаптации и абстрагированной от выходов сети оценке качества ее функционирования, алгоритмы, созданные на основе предложенной концепции, нечувствительны к сложности архитектур нейронных сетей. Эти качества родственны их естественным биологическим прототипам. Пример адаптивной системы, управляемой нейросетью с самостоятельной адаптацией приведен на рисунке 1, где: Gm - адаптивная система, NN - нейросеть с самостоятельной адаптацией, Obr - объект, входящий в адаптивную систему, Pr - процесс, протекающий в адаптивной системе, c - внешние входные сигналы нейросети, Pg - оценка функционирования элементов адаптивной системы, P=f(P1,P2,...,Pn) - комплексная оценка функционирования адаптивной системы.
Рис.2. Схема взаимодействия комплекса сетевых адаптивных систем, в рамках самоадаптирующейся надсистемы.
Рисунок 2 демонстрирует новые возможности концепции, позволяющей создавать комплексы сложных взаимосвязанных адаптивных систем с произвольной архитектурой (например, наподобие системы, приведенной на рисунке 1). При этом может использоваться интегральная оценка состояния надсистемы для контроля поведения всего комплекса нейросетевых адаптивных систем, входящих в надсистему. Рисунок отражает новые универсальные возможности предлагаемой концепции при работе со сложными объектами и системами. Концепция сетей и систем с самостоятельной адаптацией позволяет перейти от представлений о входных и выходных векторах, характерных для современной нейроинформатики (нейросетей второго поколения), к третьему поколению нейронных сетей, оперирующих понятием локальных картин мира, отражающих в себе сложные пространственно-временные представления предметных областей деятельности. Примером одной из попыток продвижения в этом направлении является работа.
Выводы. Описанная концепция сетей и систем с самостоятельной адаптацией обладает высокой универсальностью. Она обобщает в себе способность решения как принципиально новых классов задач, доступных лишь для рассмотренных нейросетей с самостоятельной поисковой адаптацией, так и задач, решаемых традиционными нейроалгоритмами. Отсутствие “жесткого” алгоритма и архитектурных ограничений делает подходы, разрабатываемые на основе предложенной концепции, открытыми для неограниченного усложнения и наращивания. Концепция предоставляет широкие возможности для построения экологических и биологических моделей, а также решения широкого спектра научно-технических задач.