Размещено на http://www.allbest.ru/

Національний університет водного господарства та природокористування

Нейронні мережі та системи нечіткої логіки в управлінні земельними ресурсами

Геодезія

УДК 528.92

Булакевич С. В., аспірант

Рівне

Розглянуто теоретичні аспекти управління територією регіону з використанням гібридних нейронних мереж і систем нечіткої логіки.

Methodology is proposed of territory management taking into account optimal conditions of causal-sequential relations between elements of economic management system.

Вступ

В сучасних умовах землевпорядне проектування ставить наступну мету: за допомогою землевпорядних проектів забезпечити реалізацію політики держави щодо регулювання земельних відносин правовими, економічними, екологічними, містобудівними, технічними та організаційно-господарськими механізмами, cформувати систему суб'єктів господарювання, оптимізацію раціонального використання та охорони земель на господарському, регіональному та національному рівнях. Землевпорядне проектування, як основна із функцій управління земельними ресурсами, ще не має достатнього наукового обґрунтування тому, що міжгосподарський та внутрігосподарський землеустрій не набув досконалих та оптимальних умов реалізації управлінських рішень. Задачі управління земельними ресурсами відносяться до розряду задач, у яких вхідні дані є нечіткими і слабко формалізованими. Тому для вирішення таких задач ми пропонуємо використовувати апарат нечітких множин і нечіткої логіки який вже давно з успіхом використовується у розвинутих країнах.

Такими дослідженнями займається галузева науково-дослідна лабораторія геоінформатики та геодинаміки Національного університету водного господарства та природокористування, зокрема, автори цієї роботи.

Аналіз останніх досліджень. Проблеми використання інформаційних технологій в землевпорядному проектуванні цікавлять досить велику кількість вчених в Україні, ці питаня починають все детальніше висвітлюватись у вітчизняній науковій літературі. Зокрема в роботах науковців аналізується використання геоінформаційних систем для потреб землевпорядкування, описані технології формування цифрових моделей території землекористувань та побудова тривимірних тематичних карт. В працях вітчизняних вчених аналізується побудова карт нахилів та експозицій схилів за цифровими моделями рельєфу.

Постановка завдання. Основною задачею при землевпорядному проектуванні є визначення елементного складу і структури системи за заданою множиною вхідних параметрів і вихідних впливів. В даній роботі описана можливість і суть впровадження систем нечіткої логіки та нейронних мереж як технологій в управлінні територіями та прийнятті управлінських рішень.

Методика досліджень

Для пояснення сутності гібридних мереж, розглянемо просту нейронну мережу, що має два входи і тільки один нейрон (рис. 1) [3].

Тут вхідні сигнали x _i -- «взаємодіють» з вагами щ_i -- утворюючи добуток:

,

така часткова інформація (добутки) поєднується з використанням операції сумування, утворюючи вхід net нейрона:

,

вихід нейрона утворюється в результаті перетворення входу net деякою активаційною функцією:

,

наприклад, це може бути функція сигмоїдного типу:

.

Приведена однонейронна мережа, у якій використовуються операції множення, сумування і сигмоїдна функція активації, є стандартною нейронною мережею.

Рис. 1. Елементарна нейронна мережа

У випадку застосування інших операцій, таких як t-норма або t-конорма, отримаємо нейронну мережу, що називається гібридною.

Гібридна нейронна мережа -- це нейронна мережа з чіткими сигналами, вагами й активаційною функцією, але з об'єднанням x_i і щ_i та p₁ і p₂ з використанням t-норми, t-конорми або деяких інших неперервних операцій.

Входи, виходи і ваги гібридної нейронної мережі -- дійсні числа, що належать відрізкові [0, 1].

Розглянемо наступні приклади елементарних гібридних нейронних мереж.

Нечіткий нейрон «І». Сигнали x_i - і ваги щ_i - у даному випадку поєднуються за допомогою трикутної конорми:

, ,

а вихід утворюється із застосуванням трикутної норми (рис. 2):

,

, ,

якщо прийняти:

,

тоді нечіткий нейрон «І» реалізує композицію min-max:

Рис. 2. Структура гібридного нейрона «І»

Нечіткий нейрон «АБО». Сигнали x_i - і ваги щ_i - в даному випадку поєднуються за допомогою трикутної норми:

, ,

а вихід утвориться з застосуванням трикутної конорми (див. рис. 3):

,

якщо прийняти:

, ,

тоді нечіткий нейрон «АБО» реалізує композицію max-min:

Рис. 3. Нечіткий нейрон «АБО»

Розглянемо тепер, як за допомогою гібридної системи можна вирішити задачу класифікації (що часто зустрічається при управлінні земельними ресурсами), тобто віднесення об'єкта, що характеризується набором певних ознак, до деякого класу.

Одна з можливих структур для рішення подібної задачі приведена на рис. 4.

Шар 1 Шар 2 Шар 3 Шар 4

Рис. 4. Схема гібридної мережі для вирішення задачі класифікації

Передбачається, що в даному випадку об'єкт характеризується двома кількісними ознаками х₁ та x₂ і відноситься до одного з двох класів -- с₁ або с₂. Кожен вхід представляється двома лінгвістичними поняттями, що дозволяє обмежитися лише чотирма правилами.

Мережа може бути описана в такий спосіб.

1. Шар 1. Виходи вузлів даного шару -- це ступені приналежності вхідних змінних визначеним для них нечітким множинам A₁, A₂, B₁, B₂.

(У даному випадку обрані функції приналежності мають вигляд подібний до графіка нормального розподілу):

,

з набором параметрів a_і1, a_і2, b_i1, b_i2.

Значення даних параметрів можуть коректуватися в процесі навчання мережі.

Шар 2. Кожен нейрон цього шару є нейроном типу розглянутого вище гібридного (нечіткого) нейрона «І».

Шар 3. Нейрони даного шару є звичайними (стандартними) нейронами, входами яких є лінійні (зважені) комбінації виходів нейронів попереднього шару, а виходи формуються з використанням активаційних функцій сигмоїдного типу. Ці виходи трактуються як ступені приналежності пред'явленого об'єкта першому або другому класові.

Алгоритм навчання даної мережі, у принципі, є стандартним для нейронних мереж [3].

Суть застосування нейронних гібридних мереж у сфері управління земельними ресурсами полягає у створенні оптимального проекту використання земель та проекту розвитку територій використовуючи геопросторові дані. Найдоцільніше в такому випадку поєднувати експертні системи з ГІС. Основою в даному випадку є топографічне і кадастрове знімання території - воно формує цифрову географічну основу, відповідно до якої моделюються всі інші геопросторові процеси та явища.

Важливим елементом таких робіт є створення тривимірної моделі місцевості на основі даних топографічного знімання, оскільки вона відіграє домінуючу роль при автоматизованому проектуванні. Після введення первинних даних до експертної системи (що працює на принципах нечіткої логіки та нейронних мереж) відбувається моделювання відповідних біологічних, фізичних, хімічних процесів та явищ. В подальшій роботі інформаційна система систематизує всю отриману інформацію і співставляє створені моделі. Таким чином відбувається аналіз, в результаті якого визначаються масиви земної поверхні найбільш придатні для певного виду господарського використання. Обов'язково в таких експертних системах враховуються правові фактори (наявність обмежень чи обтяжень у використанні земельних ділянок тощо)[2]. На основі отриманої узагальненої інформації приймаються відповідні управлінські рішення, та проектується раціональна організація території за допомогою систем автоматизованого проектування (САПР).

На основі вищеописаної схеми робіт за допомогою програмних пакетів було створено проект впорядкування території одного із сільськогосподарських підприємств. Основна мета проведених робіт полягала у створенні нового підходу до вирішення питань землеустрою на основі новітніх цифрових інформаційних технологій, які дають можливість якісно моделювати природні агрокомплекси і на результатах отриманих даних ландшафтно проектувати раціональну організацію території. Така організація території дозволяє сільськогосподарському підприємству при мінімальних затратах отримувати максимальний прибуток.

Для реалізації нової технології проектування на землях с/г призначення ми пропонуємо реалізовувати наступні пункти:

1. Побудова планової цифрової моделі території на основі даних польових вимірювань, в тому числі GPS.

2. Побудова цифрової моделі рельєфу на основі матеріалів топографічного знімання та інших джерел.

3. Формування бази даних ГІС на основі матеріалів польових вишукувань та розвідок (агрохімічних, геоботанічних, гідрологічних тощо), проведення просторового моделювання процесів, що мають найбільший вплив на розвиток сільськогосподарських культур і на ґрунтовий покрив, проведення аналізу їх впливу.

4. Моделювання картограми крутості схилів на основі раніше створеної цифрової моделі рельєфу та визначаються зони з крутістю схилів від: 0^о - 3^о ; 3^о - 7^о; понад 7^о.

5. Розробка та аналіз картограми розподілу сонячної радіації на поверхні території. На даному етапі визначаються зони затінення земної поверхні зранку, опівдні та ввечері. Проаналізувавши отримані результати, отримують відповідні висновки.

6. Аналіз глибини залягання ґрунтових вод на основі матеріалів гідрогеологічних вишукувань.

7. Моделювання поширення поживних елементів N, P, K на землях сільськогосподарського призначення. Така модель створюється на основі даних агрохімічних обстежень полів. Результатом є grid-модель поширення поживних речовин (або векторна модель в ізолініях…). Для поширення кожного хімічного елементу будується власна модель.

Висновок

Результати досліджень. На основі проведених досліджень виявляються площі сільськогосподарських угідь, що піддаються ерозійним процесам і використовуються способами, що знижують родючість ґрунтів і господарську ефективність. В таких випадках експертні системи передбачають зміну такого стану шляхом запровадження нових форм господарського використання території. В даний час існує величезна кількість програмних продуктів, що дозволяють реалізовувати нейромережеві структури (так звані програми-нейроімітатори) за допомогою яких можна створювати системи прийняття рішень для різних цільових потреб землеустрою. нейронний тривимірний топографічний

Теорія систем нечіткої логіки та гібридних нейронних мереж в управлінні земельними ресурсами та відносинами буде особливо корисною, в тому випадку, коли технологічні процеси є занадто складними для аналізу за допомогою загальноприйнятих кількісних методів, або коли доступні джерела інформації інтерпретуються неточно або невиразно. Нечітка логіка, на якій засноване нечітке управління, ближче за духом до людського мислення і природних умов, ніж традиційні логічні системи. Нечітка логіка, в основному, забезпечує ефективні засоби відображення невизначеностей і неточностей реального світу. Наявність математичних засобів відображення нечіткості вхідної інформації дозволяє побудувати модель, найбільш адекватну реальності.

Література

1. Аверин А.Н., и др. Нечеткие множества в моделях управления и искусственного интелекта /Под ред. Д. А Поспелова. Москва. Наука 1986. - С.312.

2. Горлачук В. В., В'юн В. П., Сахнич А. Я., Управління земельними ресурсами. Миколаїв. Видавництво МДТУ ім. П. Могили. 2002. С. 313.

3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. Москва. Горячая линия--Телеком. 2001.- С.382

4. Мартин А.Г. Деякі підходи до еколого-економічного удосконалення структури земельних угідь // Науковий вісник Національного аграрного університету. - К.: - 2003. - Вип. 68. - С. 230-233.

5. Новаковський Л. Я., Третяк А.М., Добряк Д.С. Земельна реформа і землеустрій в Україні. - К.: Інститут землеустрою УААН, 2001. - 138 с.

Размещено на Allbest.ru