CC BY
46
3. Математическое моделирование
УДК 681.3
doi: 10.18097/1994-0866-2015-0-9-27-30
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ РАСПРОСТРАНЕНИЯ ОПАСНЫХ ИНФЕКЦИОННЫХ ЗАБОЛЕВАНИЙ ЖИВОТНЫХ
© Балбарова Долгорма Гомбожаповна
старший преподаватель Бурятской государственной сельскохозяйственной академии им. В. Р. Филиппова
Россия, 670034, г. Улан-Удэ, ул. Пушкина, 8, e-mail: [email protected]
© Олзоева Сэсэг Ивановна
доктор технических наук, профессор Восточно-Сибирского государственного университета технологий и управления
Россия, 670013, г. Улан-Удэ, ул. Ключевская, 40в, e-mail: [email protected]
© Садуев Нима Батодоржиевич
кандидат физико-математических наук, доцент Бурятской государственной сельскохозяйственной академии им. В. Р. Филиппова
Россия, 670034, г. Улан-Удэ, ул. Пушкина, 8, e-mail: [email protected]
Рассмотрен опыт по использованию программы - нейроимитатора для решения задач прогнозирования распространения опасных инфекционных заболеваний животных. Подтверждены наиболее значимые признаки, влияющие на результат проявления заболевания животных, с использованием нейросетевых технологий.
Ключевые слова: нейросетевая технология, нейроимитатор, нейронная сеть, пастереллез.
NEURAL NETWORK MODELING IN THE PROBLEMS OF PREDICTING THE SPREAD OF DANGEROUS INFECTIOUS ANIMAL DISEASES
Dolgorma G. Balbarova
Senior Lecturer, V. R. Filippov Buryat State Agricultural Academy
8 Pushkina st., Ulan-Ude 670034, Russia
Seseg I. Olzoeva
DSc, Professor, East-Siberian State University of Technology and Management
40v Kluchevskaya st., Ulan-Ude 670013, Russia
Nima B. Saduev
PhD, A/Professor, V. R. Filippov Buryat State Agricultural Academy
8 Pushkina st., Ulan-Ude 670034, Russia
The experience on use of the neural simulator program to solute the problems of predicting the spread of dangerous infectious animal diseases was considered. The most significant features affecting the result of animal disease manifestations were confirmed with help of neural network technology.
Keywords: neural network technology, neural simulator, neural network, pasteurellosis.
Введение
В настоящее время очевидно возрастающая роль нейросетевых технологий в решении практических задач управления во многих предметных областях. Области применения нейросетевых технологий пересекаются со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейросетевых технологий многообразны и свидетельствуют о его универсальности [5].
Животноводство является одним из сложных объектов научного исследования, требующих особого внимания аналитиков, использующих нейросетевые технологии [2; 3]. Одним из основных особенностей отрасли животноводства является то, что в качестве специфических средств производства в сельском хозяйстве выступают живые организмы - животные, развивающиеся в соответствии со своими биологическими законами.
Разнообразие климатических и географических особенностей Республики Бурятия способствуют возникновению, распространению различных инфекционных заболеваний животных. Вследствие непрерывности эпизоотического процесса инфекции могут быстро распространяться среди животных и наносят значительный экономический ущерб животноводству, а некоторые возбудители становятся причиной заболевания людей [1].
Несмотря на снижение заболеваемости животных и широты распространения, некоторые инфекционные болезни систематически регистрируется на территории России, в том числе и в Республике Бурятия. Они становятся источником угрозы безопасности здоровью животных и населения в целом, что требует усовершенствования возможности качественного прогнозирования динамики распространения заболевания с учетом всех существующих факторов.
Для решения таких задач в сельском хозяйстве сложились традиционные подходы к анализу данных на основе следующих методов статистической обработки: корреляционный, регрессионный и кластерный анализ. Такие методы делают результаты прогнозирования недостаточ-но точными, что является одной из причин неэффективности мер борьбы с инфекционными патологиями животных.
Основной целью данного исследования являлась оценка возможности использования нейро-сетевых технологий при анализе эпидемиологического уровня пастереллеза свиней на территории Республики Бурятия.
Для решения поставленной задачи была сформирована исходная таблица из 18 параметров, отражающая значение каждого параметра для всех районов Республики Бурятия. Основными параметрами для нейросетевого анализа стали площадь территории районов (кв. км), поголовье свиней (гол), плотность поголовья свиней (гол/ км2), сумму среднемесячных температур (0С), среднегодовое количество осадков (мм), количество дней в году с ветром более 15 м/с (дни), площади сельскохозяйственных угодий и пастбищ (тыс. га), средние данные представлены в таблице 1.
При выборе топологии нейронной сети был использован нейроимитатор №игоРго, позволяющий проводить анализ и моделирование данных, исследовать и визуализировать исходные данные и результаты моделирования.
Прежде чем сформировать нейронную сеть, была проведена предобработка входной информации, так, чтобы все исходные значение были представлены в интервале [0,1]. При шкалировании данных учитывались значения больше максимального и меньшие минимального среди имеющихся наблюдений (на случай, если в прогнозируемый период будет наблюдаться выход за пределы области значений поступлений предыдущего периода).
Была создана нейронная сеть с топологией 10/18/10 (число входных сигналов, число нейронов в скрытом слое, число выходных нейронов) (Рис 1).
Экспериментальный анализ выявленных наиболее значимых признаков показал, что для большинства случаев они совпали с результатами традиционно используемыми экспертными оценками [4].
Д. Г. Балбарова, С. И. Олзоева, Н. Б. Садуев. Нейросетевое моделирование в задачах прогнозирования распространения опасных инфекционных заболеваний животных
Рис. 1. Значимость входных сигналов нейросети
Полученная нейросетевая модель показала, что пастереллез в Республике Бурятия проявля-ется в районах с большим числом дней в году с ветром более 15 м/с, с малыми территориями, на которых регистрируются значительное поголовье и плотность поголовья домашних и диких свиней, низкие показатели вакцинации (рис. 1).
Заключение
Исследования показывают, что метод нейросетевого моделирования может считаться эф -фективной альтернативой классическому методу корреляционного анализа в практике прогнозирования распространения инфекционных заболеваний животных. Внедрение нейросетевого анализа для прогнозирования и оценки риска распространения опасных инфекционных заболеваний животных требует дальнейшего исследования.
Литература
1. Дудников С. А. Количественная эпизоотология: основы прикладной эпидемиологии и биостатистики. - Владимир: Демиург, 2004. - 460 с.
2. Кириченко А. А. Нейропакеты - современный интеллектуальный инструмент исследования. Сетевое электронное издание учебного пособия. - 2013. - 297 с.
3. Круг П. Г. Нейронные сети и нейрокомпьютеры. - М.: Изд-во МЭСИ, 2002. - 176 с.
4. Нехуров Л. Б., Антухаев И. К., Очиров Н. И. Адаптационные механизмы устойчивости организма животных: учеб. пособие. - Улан-Удэ: Изд-во БГСХА, 2000. - 89 с.
5. Петровичев Е.И. Нейросетевая технология в системах искусственного интеллекта // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2008. -№2-2.
References
1. Dudnikov S. A. Kolichestvennaya epizootologiya: osnovy prikladnoi epidemiologii i biostatistiki [Quantitative Epizootiology: Fundamentals of Applied Epidemiology and Biostatistics]. Vladimir: Demiurg, 2004. 460 p.
2. Kirichenko A. A. Neiropakety - Sovremennyi intellektual'nyi instrument issledovaniya [Neuropackages - Modern Intelligent Instrument of Research]. Network electronic edition of textbook 2013. 297 p.
3. Krug P. G. Neironnye seti i neirokomp'yutery [Neural Networks and Neurocomputers]. Moscow: Moscow Economics and Statistics Institute publ., 2002. 176 p.
4. Nekhurov L. B., Antukhaev I. K., Ochirov N. I. Adaptatsionnye mekhanizmy ustoichivosti or-ganizma zhivotnykh [Adaptable Mechanisms of Stability of Animals' Organism]. Ulan-Ude: Buryat State Agricultural Academy publ., 2000. 89 p.
5. Petrovichev E. I. Neirosetevaya tekhnologiya v sistemakh iskusstvennogo intellekta [Neural Network Technology in the Systems of Artificial Intelligence]. Gornyi informatsionno-analiticheskii byulleten' - Mining Analytical and Information Bulletin. 2008. No. 2-2.
