Исследование и разработка системы анализа экологической информации тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Вересников, Георгий Сергеевич

• Вересников, Георгий Сергеевич
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Вересников, Георгий Сергеевич

ВВЕДЕНИЕ.

Глава 1. ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ИНФОРМАЦИИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1. Методы анализа экологической информации в системах экологического мониторинга.

1.2. Модели для оценки и прогнозирования загрязнений окружающей среды.

1.3. Методы интеллектуального анализа данных.

1.4. Сравнение методов интеллектуального анализа данных.

1.5. Анализ применения методов интеллектуального анализа данных в задачах экологического мониторинга.

ВЫВОДЫ.

Глава 2. РЕШЕНИЕ ЗАДАЧ АНАЛИЗА ЭКОЛОГИЧЕСКОЙ ИНФОРМАЦИИ.

2.1. Архитектура системы анализа экологической информации.

2.2. Информационная модель окружающей среды.

2.3. Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений.

2.4. Поиск взаимосвязей между экологическими параметрами.

ВЫВОДЫ.

Глава 3. МЕТОДИКА ПОСТРОЕНИЯ МОДУЛЯ ДЛЯ ИДЕНТИФИКАЦИИ ЭКОЛОГИЧЕСКИХ СИТУАЦИЙ.

3.1. Задача идентификации экологической ситуации.

3.2. Формирование классов для качественной оценки экологической ситуации.

3.3. Подготовка обучающей выборки. Проблема репрезентативности.

3.4. Получение данных о нештатных ситуациях с помощью методики расчета ОНД-86.

3.5. Построение функции идентификации экологической ситуации для объекта хранения и уничтожения химического оружия.

3.6. Подходы к решению проблемы пересечения классов в задаче идентификации экологических ситуаций.

ВЫВОДЫ.

Глава 4. ПРОГНОЗИРОВАНИЕ ЭКОЛОГИЧЕСКИХ СИТУАЦИЙ.

4.1. Использование методов анализа временных рядов для прогнозирования экологических ситуаций.

4.2. Прогнозирование экологических параметров с помощью моделей АРМА.

4.3. Предсказание экологических параметров, динамика изменения которых является нестационарным процессом. TS и DS ряды.

4.4. Прогнозирование с помощью нейронных сетей, сравнение с ARMA и AR1MA моделями.

4.5. Выявление и построение тенденций изменения экологических параметров.

ВЫВОДЫ.

Глава 5. РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЙ.

5.1. Инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации.

5.2. Модуль прогнозирования экологических параметров.

5.3. Построение модуля восстановления пропущенных значений и выявления некорректных значений.

ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Исследование и разработка системы анализа экологической информации»

Актуальность темы диссертации. Разработка эффективных систем экологического мониторинга потенциально опасных технологических объектов способствует своевременному принятию мер по предотвращению или уменьшению последствий нештатных и аварийных ситуаций, являющихся причиной выбросов загрязняющих веществ. Чтобы получить адекватное описание сложившейся экологической ситуации проводится анализ информации, поступающей в систему экологического мониторинга. Эффективность систем экологического мониторинга во многом определяется способностью системы анализа экологической информации точно идентифицировать и прогнозировать экологическую ситуацию.

Анализ затрудняется тем, что в силу объективных причин (например, отказы аппаратуры, каналов передачи информации) часть экологической информации может быть некорректной или отсутствовать. Это определяет необходимость разработки или выбора методов анализа информации, имеющих высокую результативность в условиях нечеткой и неполной исходной информации.

Современные методы анализа информации, включающие последние достижения статистики, технологий интеллектуального анализа данных (ИАД) позволяют находить закономерности, которые могут быть с успехом использованы для целей экологического мониторинга. Их применение позволит повысить эффективность контроля и защиты окружающей среды от загрязнений, что в свою очередь снизит риск нанесения вреда здоровью людей.

Во многих системах экологического мониторинга анализ экологической информации ограничивается сравнением измерений экологических параметров с предельно-допустимыми нормами или использованием отдельных не связанных между собой методов анализа информации. Исследование возможности комбинирования методов анализа информации и объединение их в единую.систему, способно обеспечить более высокую точность оценки и прогноза экологической ситуации.

В связи с этим актуальным является исследование и разработка:

- общих принципов построения систем анализа экологической информации;

- методов анализа, оценки и прогнозирования экологической ситуации;

Исследование и разработка систем анализа экологической информации позволяет повысить адекватность принятия оперативных решений по управлению сложившейся экологической ситуацией и способствует безопасному функционированию потенциально опасных технологических объектов.

Цель и задачи работы. Целью диссертационной работы является исследование и разработка системы анализа экологической информации, входящей в систему экологического мониторинга, для безопасного функционирования потенциально опасных технологических объектов.

Для достижения данной цели в диссертации решаются следующие задачи:

- исследование современных методов анализа информации и возможностей их применения в задачах экологического мониторинга;

- разработка архитектуры системы анализа экологической информации;

- разработка информационной модели окружающей среды;

- формализация задачи идентификации экологической ситуации;

- разработка формального описания нештатных ситуаций и условий их возникновения;

- разработка алгоритмов идентификации экологической ситуации;

- исследование методов прогнозирования экологической ситуации для целей оперативного управления;

- исследование методов устранения нечеткости и неполноты экологической информации;

- разработка алгоритмов и программного обеспечения для построения модуля идентификации экологической ситуации.

Методы исследования. Проведенные теоретические и прикладные исследования базируются на использовании методов математической статистики, прогнозирования, оптимизации, теории нейронных сетей.

Научная новизна. В результате проведенных исследований, анализа и обобщения опыта управления экологической безопасностью получены следующие научные результаты:

- разработана и исследована архитектура системы анализа экологической информации для поддержки принятия оперативных решений;

- исследованы методы устранения нечеткости и неполноты экологической информации для выбора наиболее предпочтительных методов в целях повышения точности идентификации и прогноза экологической ситуации;

- предложен метод формализации задачи идентификации экологической ситуации;

- разработан метод построения модуля идентификации экологической ситуации;

- разработан метод построения функции идентификации экологической ситуации;

- исследованы методы прогнозирования экологических параметров для выбора метода, обеспечивающего наибольшую точность прогноза.

Достоверность. Достоверность научных положений, выводов и практических рекомендаций, полученных в диссертационной работе, подтверждена обоснованием и экспериментальной проверкой разработанных методов и структур программного обеспечения, а также результатами практического использования предложенных в диссертационной работе методов, алгоритмов и программных средств.

Практическая ценность и реализация результатов. Разработанные в диссертации методы, алгоритмы и программные средства системы анализа экологической информации позволят повысить уровень безопасности эксплуатации потенциально опасных технологических объектов.

Практическая ценность полученных результатов подтверждается их использованием в системах производственного экологического мониторинга объектов хранения и уничтожения химического оружия.

Апробация работы. Основные положения диссертационной работы докладывались и представлялись на следующих конференциях: восьмая международная конференция по проблемам управления безопасностью сложных систем (Москва, 2005), пятая международная конференция САБ/САММЖ - 2005 (Москва, 2005), третья международная конференция по проблемам управления (Москва, 2006), шестая международная конференция САБ/САМ/РЭМ - 2006 (Москва, 2006), третья международная конференция «Параллельные вычисления и задачи управления» (Москва, 2006).

Публикации. Основные результаты научных исследований по теме диссертации содержатся в 11 публикациях, в их числе 2 публикации в ведущих научных журналах перечня Высшей аттестационной комиссии.

Структура и объем диссертационной работы. Работа состоит из введения, пяти глав, заключения, содержит 166 страниц текста, 74 рис., 18 табл., список литературы из 117 названий.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Вересников, Георгий Сергеевич

выводы

1. На основе методики, представленной в главе 3, создано инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации. Это инструментальное программное средство позволяет:

- сформировать информационную модель источника загрязнения;

- на основе информационной модели источника загрязнения сформировать различные варианты экологических ситуаций и осуществить их моделирование;

- сформировать обучающую выборку, необходимую для построения модуля идентификации экологической ситуации;

- построить факел распространения вредных веществ и рассчитать основные показатели выброса для оценки конкретного варианта нештатной или аварийной ситуации.

2. На основе исследованных методов прогнозирования стационарных и нестационарных рядов, создан модуль прогнозирования экологических параметров, предназначенный для прогнозирования отдельных экологических параметров на основе истории их изменения. Результат работы этого модуля используется как исходная информация модуля идентификации экологической ситуации для получения прогноза экологической ситуации с заданным горизонтом прогнозирования.

3. На основе результатов исследования методов корреляционного анализа и восстановления пропусков в данных, создан модуль восстановления пропущенных значений. Этот модуль обеспечивает восстановление пропущенных значений в момент их обнаружения и их последующую корректировку с учетом данных поступивших позднее. Результаты работы этого модуля используются для предобработки экологической информации используемой для идентификации экологической ситуации и прогнозирования.

4. Создан модуль выявления некорректных значений, предназначенный для выявления искаженных данных. Результаты работы этого модуля также используются для предобработки экологической информации с целью повышения эффективности работы модулей идентификации экологической ситуации и прогнозирования экологических параметров.

ЗАКЛЮЧЕНИЕ

В диссертационной работе приведено исследование и разработка системы анализа экологической информации.

Получены следующие основные теоретические и практические результаты:

1. Проанализированы существующие методы анализа информации и разработана архитектура системы анализа экологической информации для оперативного управления, объединяющая следующие функциональные блоки: получения отсутствующих данных об экологических ситуациях, построения моделей для идентификации экологической ситуации, идентификации экологической ситуации, построения моделей для прогнозирования экологической ситуации, прогнозирования значений концентраций на основе анализа временных рядов, определения тенденций изменения экологических параметров, восстановления пропусков в данных, выявления некорректных значений; поиска связей в данных.

2. Предложен метод построения модуля идентификации экологической ситуации, дающего оценку сложившейся экологической ситуации на основе вектора экологических и метеорологических параметров.

В рамках данного метода:

• формализована задача идентификации экологической ситуации;

• разработан метод построения функции идентификации экологической ситуации для точки контроля;

• предложен алгоритм, позволяющий указать оператору на возможность нескольких вариантов идентификации экологической ситуации (задача пересекающихся классов).

3. Рассмотрено применение метода построения модуля идентификации экологической ситуации для точеных непрерывных источников выброса. Применение этого метода позволяет идентифицировать экологические ситуации, когда выброс вредных веществ имеет форму факела.

4. Разработан метод прогнозирования экологической ситуации на основе предсказания отдельных экологических параметров и их последующей оценки с помощью модуля идентификации экологической ситуации.

5. Проведено исследование и сравнение методов прогнозирования экологических параметров, что позволило выбрать метод, обеспечивающий наибольшую точность прогноза. Наиболее эффективным методом прогнозирования экологических параметров является использование классов ARMA и ARIMA моделей.

6. Исследованы методы поиска и визуализации связей в данных экологического мониторинга для повышения точности восстановления пропусков в данных.

7. В результате исследования и сравнения методов восстановления пропусков в данных для системы анализа экологической информации выбран наиболее предпочтительный метод восстановления пропусков в данных с помощью нейронных сетей, обучаемых способом, учитывающим взаимосвязи между экологическими параметрами (см. главу 5). В качестве выхода нейронной сети используется экологические параметры, имеющие отсутствующие значения, а в качестве входа - экологические параметры, имеющие с восстанавливаемыми параметрами сильную корреляционную связь.

8. Разработана система анализа экологической информации, включающая следующие модули:

• инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации;

• модуль идентификации экологической ситуации;

• модуль определения тенденций изменения экологических параметров;

• модуль прогнозирования экологических параметров;

• модуль поиска связей в данных;

• модуль восстановления пропусков в данных;

• модуль выявления некорректных значений.

Эффективность разработанных в диссертации теоретических положений, моделей и методов подтверждена их использованием в системах анализа экологической информации объектов хранения и уничтожения химического оружия.

Список литературы диссертационного исследования кандидат технических наук Вересников, Георгий Сергеевич, 2007 год

1. Айвазян С.А., Мхитарян В. С. Прикладная статистика и основы эконометрики // М., ЮНИТИ, 1998,1022 с.

2. Александрова JI.B., Васильев В.Ю., Огурцов А.Н. Информационная экспертная система экологического мониторинга // Международная конференция по мягким вычислениям и измерениям, С-П., 2000.

3. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография // Тюмень, Издательство Тюменского государственного университета, 2000, 352 с.

4. Афанасьев Ю.А., Галкин С.Ф., Кузнецова H.A., Машкович К.И., Меньшиков В.В., Фомин С.А. Мониторинг и методы контроля окружающей среды // М., МНЭПУ, 2001, 357 с.

5. Байдык Т.Н. Перспективные задачи искусственного интеллекта, которые могут решаться с помощью нейронных сетей // Всероссийская научно-техническая конференция «Нейроинформатика 2001», М., 2001, с. 106-113.

6. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений // М., Финансы и статистика, 2004,176 с.

7. Барцев С.И., Панкин Ю.П. Нейрокопьютеры в экологии // Материалы международного конгресса «Окружающая среда для нас и для будущих поколений, Экология и бизнес в новых условиях», Красноярск, Институт биофизики СО РАН, 1993.

8. Безуглая Э.Ю. Мониторинг состояния загрязнения атмосферы в городах // JL, Гидрометеоиздат, 1986,200 с.

9. Безуглая Э.Ю., Брук С.А., Сазанова С.Г. Об идентификации источников выбросов БП в атмосфере городов // Труды ГГО, 1991, Вып. 543, с. 17-24.

10. Белов И.В., Беспалов М.С., Клочкова JI.B., Кулешов A.A., Сузан Д.В., Тишкин В.Ф. Транспортная модель распространения газообразныхпримесей в атмосфере города // Математическое моделирование, 2000, т. 12, №11, с. 38-46.

11. П.Белов И.В., Беспалов М.С., Клочкова Л.В., Павлова Н.К, Сузан Д.В., Тишкин В.Ф. Сравнительный анализ некоторых математических моделей для процессов распространения загрязнений в атмосфере // Математическое моделирование, 1999, т. 11, №7.

12. Бериков В.Б. Анализ статистических данных с использованием деревьев решений // Новосибирск, Издательство НГТУ, 2002, 60 с.

13. Берлянд М.Е. Метеорологические аспекты загрязнения атмосферы // М., Московское отделение Гидрометеоиздата, 1981.

14. Берлянд М.Е. Прогноз и регулирование загрязнения атмосферы // Л., Гидрометеоиздат, 1985,272 с.

15. Бокс Д., Дженкинс Г. Анализ временных рядов // Прогноз и управление, М., Мир, 1974, 406 с.

16. Бородулин А.И., Майстренко Г.М., Чалдин Б.М. Статистическое описание распространения аэрозолей в атмосфере: метод и приложения //Новосибирск, Изд-во Новосибирского ун-та, 1992,123 с.

17. Бочаров Е.П., Колдина А.И., Салахутдинов Р.З. Сравнение эффективности методов интеллектуального анализа данных при решении задач поиска закономерностей в массивах экономической информации // Поволжский гуманитарный Интернет-журнал, 2004, №1.

18. Вызова Н.Л., Гаргер Е.К., Иванов В.Н. Экспериментальные исследования атмосферной диффузии и расчет распространения примеси // Л., Гидрометеоиздат, 1991,278 с.

19. Веницианов Е.В. Экологический мониторинг: шаг за шагом // М., РХТУ им. Д.И. Менделеева, 2003,252 с.

20. Вересников Г.С. Задача распознавания ситуаций в экологическом мониторинге // Проблемы экономики, науки и образования в сервисе. Сб. науч. трудов, Шахты, ЮРГУЭС, 2006, с. 9-10.

21. Вересников Г.С. Идентификация экологических ситуаций в процессе экологического мониторинга // Проблемы управления. 2007 (В печати)

22. Вересников Г.С. Нейронные сети в задачах восстановления пробелов в данных экологического мониторинга // Проблемы экономики, науки и образования в сервисе: Сб. науч. трудов, Шахты, ЮРГУЭС, 2005, с. 132-135.

23. Вересников Г.С. Нейронные сети в задачах экологического мониторинга // Труды XIII международной конференции «Проблемы управления безопасностью сложных систем», М., 2005, с. 346-350.

24. Вересников Г.С. Перспективы использования технологий интеллектуального анализа данных в задачах экологического мониторинга // Труды Института проблем управления РАН, том XXVI, М., 2005, с. 47-54.

25. Вересников Г.С. Подходы к решению проблемы пересечения классов в задаче распознавания экологических ситуаций с помощью нейронных сетей // Труды третьей международной конференции «Параллельные вычисления и задачи управления», М., 2006, с. 835-839.

26. Вересников Г.С. Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга //

27. Третья международная конференция по проблемам управления. Тезисы докладов. Том 1., М., 2006, с. 158.

28. Вересников Г.С. Системный анализ экологической информации в задаче повышения эффективности управления объектом мониторинга // Третья международная конференция по проблемам управления. Пленарные доклады и избранные труды, М., 2006, с. 393.

29. Вересников Г.С., Панкова JI.A. Прогнозирование параметров экологического мониторинга // Приборы и системы. Управление, контроль, диагностика, №4,2007, с. 58-64.

30. Ветров А.Н., Прохныч А.Н. Использование нейронной сети для прогноза загрязнения воздушного бассейна по данным системы мониторинга http://www.tstu.tver.ru/cnit/articlr.html?text=st00002.

31. Ветров А.Н., Прохныч А.Н. Использование распределенной адаптивной математической модели для прогнозирования состояния окружающей среды // Проектирование технических и медико-биологических систем: Сб. науч. трудов, Тверь, 2000, 164 с.

32. Гайдышев И. П. Анализ и обработка данных : специальный справочник // С-П., Питер, 2001,752 с.

33. Горбань А.Н., Дунин-Барковский B.JL, Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика // Новосибирск, Наука, 1998, 296 с.

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

35. Динамическая метеорология // Под ред. Лайхмана Д.Л., Л., Гидрометеоиздат, 1967, 607 с.

36. Добрынин Д., Савельев А. Нейронные технологии для тематического дешифрирования ДДЗ // Гис-Обозрение, №1, 1999, с. 12-14.

37. Дюк В., Самойленко A. Data mining: учебный курс // С-П., Питер, 2001, 368 с.

38. Дюк В.А., Асеев М.Г. Поиск if then правил в данных: проблемы и перспективы // С-П., Институт информатики и автоматизации РАН, 2004.

39. Евтюгин Г.А., Савельев А.А., Ризаева Е.П., Стойкова Е.Е., Латыпова В.З., Будников Г.К. Экспертная оценка загрязненности промышленных сточных вод с помощью холинэстеразных биосенсоров // Экологическая химия, 2000, Т.9, №2, с. 106-114.

40. Елманова Н. Введение в Data Mining // КомпьютерПресс, 2003, № 8.

41. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей // Новосибирск, Наука, 1985, 266 с.

42. Закарин Э.А., Крамар В.Ф. Программный комплекс моделирования случаев высокого загрязнения атмосферы города Алма-Аты // Метеорология и гидрология, 1991, №12.

43. Закарин Э.А., Миркаримова Б.М. Математическое моделирование загрязнения атмосферы города на основе ГИС // Известия РАН ФАО, 2000, т. 36, № 3.

44. Замай С.С., Якубайлик О.Э. Модели оценки и прогноза загрязнения атмосферы промышленными выбросами в информационно-аналитической системе природоохранных служб крупного города: Учеб. пособие // Красноярск, Краснояр. гос. ун-т., 1998, 109 с.

45. Израэль Ю.А. Экология и контроль состояния природной среды // М., Гидрометеоиздат, 1984, 560 с.

46. Канторович Г. Г. Анализ временных рядов / / Экономический журнал высшей школы экономики, 2002, Т. 6,Т. 7.

47. Качиашвили К.И., Круашвили З.Е., Агамиров В.А. Статистические алгоритмы контроля состояния объектов окружающей среды // Проблемы контроля и защита атмосферы от загрязения Республиканский межведомственный сборник научных трудов, 1985, с. 42-46.

48. Кирой В.Н. К проблеме размытых алгоритмов решения мыслительных задач человеком // Проблемы искусственного интеллекта, Элиста, 1979, с. 94-106.

49. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997, № 4, с. 41-44.

50. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР, 1957, Т. 114, № 5, с. 953-956.

51. Комарцова Л.Г. Методы и модели в системах поддержки принятия решений на начальном этапе проектирования распределенных вычислительных систем // Конференция, посвященная 90-летию со дня рождения Алексея Андреевича Ляпунова, Новосибирск, 2001.

52. Кононов Д.А., Шубин А.Н. Мониторинг в системе информационного управления (ИПУ РАН Россия) // Теория активных систем, труды международной научно-практической конференции, М., 2001, Т. 1., с. 121-123.

53. Кречетов Н. Продукты для интеллектуального анализа данных // Рынок программных средств, 1997, № 14, с. 32-39.

54. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети // М., Физматлит, 2001, 224 с.

55. Кулида Е. Л., Лебедев В. Г., Чесноков А. М. Проектирование интеллектуальных систем поддержки операторов сложных объектов // Автоматизация проектирования, 1999, № 1.

56. Ланкин Ю.П. Экология и нейрокопьютеры // Материалы международной конференции по экологическим проблемам, Лесосибирск, ИЛиД СО РАН, 1993.

57. Максимов В.Н., Булгаков Н.Г., Левич А.П. Количественные методы экологического контроля: Диагностика, Нормирование, Прогноз // Экология и устойчивое развитие города, М., 2000, с. 79-83.

58. Максимов В.Н., Милованова Г.Ф., Н.Г.Булгаков, А.П.Левич Индикация состояния экосистем методами детерминационного анализа // Теоретические проблемы экологии и эволюции, Тольятти, с. 113-120.

59. Маликов А.Н., Чупис В.Н., Шарль Р. Система экологического мониторинга при уничтожении химического оружия в Саратовской области: Монография // Под общей редакцией проф. А.Н. Маликова и проф. В.Н. Чуписа, Саратов, 2002,217 с.

60. Методика прогнозирования масштабов заражения сильнодействующими ядовитыми веществами при авариях (разрушениях) на химически опасных объектах и транспорте. Руководящий документ РД 52.04.253-90 // Л., Гидрометеоиздат, 1991, 23 с.

61. Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий, ОНД-86 // Л., 1987, 140 с.

62. Минаев Ю.Н., Филимонова О.Ю., Бенамеур JI. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе // М., "Горячая линия-Телеком, Радио и связь", 2003,205 с.

63. Монин A.C., Яглом A.M. Статистическая гидромеханика. Механика турбулентности // М., Наука, 1965, 720 с.

64. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем // С-П., Наука и техника, 2003, 384 с.

65. Никифоров А.Н., Бузало Н.С. Моделирование полей загрязненности атмосферы в мезометеорологическом пограничном слое // Известия Вузов, Северо-Кавказский регион, Естественные науки, 2001, с. 126-128.

66. Пащенко С.Э., Сабельфельд К.К. Атмосферный и техногенный аэрозоль (кинетические, электронно-зондовые и численные методы исследования): В 2 ч. //Новосибирск, Наука, 1992, Ч. 1,190 с.

67. Пененко В.В., Алоян А.Е. Модели и методы для задач охраны окружающей среды // Новосибирск, Наука, 1985, 256 с.

68. Питенко A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС // Методы нейроинформатики: сб. научн. тр. / Под ред. А.Н.Горбаня, Красноярск, КГТУ, 1998, с. 152-163.

69. Попов Н.С. Применение искусственных нейронных сетей для систем прогноза загрязнения воздушного бассейна // Вестник ТГТУ, 2002, Т. 8, №2, с. 219-227.

70. Растоскуев В.В. Информационные технологии экологической безопасности. http://www.ecosafe.nw.ru/Educatio/ENV/Readme.

71. Россиев А.А. Вейвлеты и распознавание образов во временных рядах // Материалы XI Всероссийского семинара «Нейроинформатика и ее приложения», Красноярск, ИВМ СО РАН, 2003, с. 208-209.

72. Рудинский А.В., Ермоленко А.С., Мирошников В.П. Использование интегрированных систем наблюдения при мониторинге окружающейсреды // Труды второй международной конференции «параллельные вычисления и задачи управления», М., 2004, с. 1114-1119.

73. Руководство по прогнозу загрязнения воздуха. Руководящий документ РД РД 52.04.306-92. // Л., Гидрометеоиздат, 1993, с. 60.

74. Рыбин В.М., Рыбина Г.В. Динамические экспертные системы реального времени: анализ опыта исследований и разработок // Приборы и системы управления, М., 1999, №8, с. 4-8.

75. Самарская Е.А., Сузан Д.В., Тишкин В.Ф. Построение математической модели распространения загрязнений в атмосфере // Математическое моделирование, 1997, т. 9, №11, 59-71.

76. Сонькин Л.Р. Синоптико-статистический анализ и краткосрочный прогноз загрязнения атмосферы // Л., Гидрометеоиздат, 1991.

77. Софиев М.А., Софиева В.Ф. Оценка выбросов загрязняющих веществ в атмосферу по данным моделирования и измерений // Математическое моделирование, 2000, т. 12, №4, с. 20-32.

78. Тарасенко P.A., Крисилов В.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. http://neuroschool.narod.ru /pub/rtov02.html.

79. Тарасенко P.A., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов // Тр. Одесского Политехи. Ун-та, Одесса, 2001, № 1, с. 90-93.

80. Терентьев П.В. Метод корреляционных плеяд // Вест. Ленингр. ун-та. Серия биол., Л, 1959, № 9, с. 137-141.

81. Токмачев М.С. Временные ряды и прогнозирование // Великий Новгород, НовГУ им. Ярослава Мудрого, 2005,192 с.

82. Трахтенгерц Э.А. Компьютерные системы поддержки принятия управленческих решений // Информационные технологии в управлении 2003, №1, с. 13-28.

83. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ. // М., Мир, 1992.

84. Учет дисперсионных параметров атмосферы при выборе площадок для атомных электростанций. Руководство по безопасности АЭС. // Вена, Международное агентство по атомной энергии, 1980,106 с.

85. Федак B.C. К вопросу о структуре мониторинга загрязнений // Технические и программные средства систем экологического мониторинга, Киев, 1994, с. 72-76.

86. Федеральный закон Российской Федерации от 10 января 2002 г. № 7 «Об охране окружающей среды» // М., Российская газета, 2001, № 6.

87. Хоруженко A.C., Терновая Н.В. Моделирование распространения выбросов вредных газов из горящих породных отвалов // Управление развитием сложных систем, 2003, № 1.

88. Хюттнер Е. Объективная классификация условий диффузии в целях улучшения прогноза загрязнения воздуха // Метеорологические аспекты загрязнения атмосферы. Итоги сотрудничества социалистических стран, JL, Гидрометеоиздат, 1981.

89. Царегородцев В.Г., Погребная H.A. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон // Методы нейроинформатики, Красноярск, Издательство КГТУ, 1998, с. 65-107.

90. Шапот М., Рощупкина В. Интеллектуальный анализ данных и управление процессами // Открытые системы, 1998, №4.

91. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации // Тольятти, ИЭВБ РАН, 2003, 463 с.

92. Щавелёв JI. В. Способы аналитической обработки данных для поддержки принятия решений // СУБД, 1998, № 4-5.

93. Щербаков А.Ю. Метеорологический режим и загрязнение атмосферы городов // Калинин, издательство КГУ, 1987.

94. Ярушкина Н.Г. Основы теории нечетких и гибридных систем // М., Финансы и статистика, 2004,319 с.

95. Akaike Н. Information Theory and an Extension of the Maximum Likelihood Principle // International Symposium on Information Theory, 1973. p. 267-281.

96. Anil K. J., Jianchang M., Mohiuddin K.M. Artificial Neural Networks // A Tutorial, Computer, 1996, №29. p. 31-44.

97. Bianconi R., Tamponi M. A mathematical model of diffusion from a steady source of short duration in a finite mixing layer // Atmos.Env., 1993, №5, p. 781-792.

98. Chrysikopoulos C.V., Hildmann L.M., Roberts P.V. A three-dimensional steady-state atmospheric dispersion-deposition model for emission from a ground-level area source // Atmos. Env., 1992, № 5, p. 747-757.

99. Dickey D.A., Fuller W.A. Distribution of the Estimation for Autoregressive Time Series with a Unit Root // Journal of the American Statistical Association, 1979, p. 427-431.

100. Frawley W. L., Piatetsky-Shapiro G., Matheus C. J. Knowledge discovery in databases: An overview// AI Magazine, 1992, № 13, p 3.

101. Grander, C.W.J. Investigating Casual Relations by Econometric Methods and Cross-Spectral Methods // Econometrika, 1988, № 37, p. 424-438.

102. Hartwich E. G. Fugacity superposition: a new approach to dynamic multimedia fate modeling // Chemosphere, 2001, № 4, p. 843-853.

103. Lek S., Guegan J. F. Artificial Neuronal Networks // Application to Ecology and Evolution, Berlin, p. 241-248.

104. Michie D., Spiegelhalter D.J., Taylor C.C. Machine Learning, Neural and Statistical Classification. http://www.amsta.leeds.ac.uk/~charles/ statlog/whole.pdf.

105. Parsaye K. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing, 1998, № 1.

106. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks (ICNN), San Francisco, 1993, p. 586-591.

107. Stone M.N. The generalized Weierstrass approximation theorem // Math. Mag., 1948, № 21. p. 167-183.

108. Yoshida A. Two-dimensional numerical simulation of thermal structure of urban polluted atmosphere (effects of aerosol characteristics) // Atmos. Env., 1991, № 1, p. 17-23.1. ПРИНЯТЫЕ СОКРАЩЕНИЯ