Всеукраїнська науково-практична конференція



Сторінка54/60
Дата конвертації11.05.2018
Розмір3.74 Mb.
1   ...   50   51   52   53   54   55   56   57   ...   60

Пономарева А.Е., Манакова Н.О.


ХНУ РЭ (Украина)

Применение метода дискриминантного анализа для решения задачи поиска виновника залпового сброса промышленных сточных вод


В работе приводится обоснование выбора метода дискриминантного анализа для решения одной из задач экологического мониторинга, а именно задачи поиска виновника несанкционированного залпового сброса промышленных сточных вод. применение данного метода позволяет сузить круг потенциальных виновников сброса. на основании данных о качественном составе сточных вод становится возможным отнести выброс к тем или иным отраслям промышленности, для которых характерно содержание данного набора вредных веществ в сточных водах. для реализации решения был выбран программный продукт statistica.
Развитие промышленности, транспорта, энергетики приводит к тому, что антропогенное воздействие на окружающую среду принимает массовый характер. Под негативным влиянием оказываются водные объекты, атмосферный воздух, почва и другие компоненты природной среды.

В особую группу загрязнителей водных объектовотносятся сточные воды промышленных предприятий. После выпуска сточных вод допускается некоторое ухудшение качественного состава воды в водоемах, однако это не должно заметно отражаться на возможности дальнейшего использования водоема в качестве источника водоснабжения или для технических нужд.

В связи с необходимостью предотвращать попадание неочищенных стоков в водоемы возникает задача осуществления непрерывного экологического мониторинга сточных вод. Решение такой задачи позволяет вовремя принять меры по очистке стока в случае несанкционированного залпового сброса сточных вод. Кроме этого, целесообразно, решая задачу мониторинга промышленных сточных вод, определить виновника сброса и применить к нему штрафные санкции, в том числе, и для покрытия расходов на дополнительные реактивы для нейтрализации загрязнений.

Задача поиска виновника залпового сброса может решаться в несколько этапов. Первым из которых, является сужение круга потенциальных виновников, основываясь на характерных определенным видам промышленности, компонентов сброса. Таким образом, для поиска виновника залпового сброса необходимо по качественному составу сточных вод с превышенным предельно – допустимым содержанием вредных веществ, определить, предприятию какой отрасли промышленности характерен сброс. Задача усложняется тем, что факторы, оказывающие влияние на качественный состав сточных вод, находятся в неочевиднойзависимости.

Для решения данной задачи был выбран метод Data Mining. В отличие от традиционных статистических методов анализа данных и OLAP, которые ориентированы на проверку заранее сформулированных гипотез, Data Mining занимается поиском неочевидных закономерностей.

Большинство статистических методов для выявления взаимосвязей в данных используют концепцию усреднения по выборке, приводящую к операциям над несуществующими величинами, тогда как Data Mining оперирует реальными значениями. Data Mining опирается на ретроспективные данные для получения ответов на вопросы о будущем.

Методы Data Mining составляют 4 основные группы:

- дескриптивный анализ и описание исходных данных;

- анализ связей (корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ);

- многомерный статистический анализ (компонентный анализ, дискриминантный анализ, многомерный регрессионный анализ, канонические корреляции и др.);

- анализ временных рядов (динамические модели и прогнозирование)

Для определения виновника залпового сброса необходимо выявить закономерности между набором вредных веществ и отраслью промышленности, для которой характерно наличие данных вредных веществ в сбросе. Для решения данной задачи необходимо на основе обучающей выборки соотнести залповый сброс по качественному составу с той или иной отраслью промышленности. В отличие от остальных видов анализа, дискриминантный анализ позволяет получить правила, на основе которых в дальнейшем можно классифицировать сброс. Выполнение дискриминантного анализа включает следующие стадии: формулирование проблемы, вычисление коэффициентов дискриминантной функции, определение значимости, интерпретация и проверка достоверности.

Таким образом, для решения задачи поиска потенциального виновника залпового cброса в сточные воды целесообразно использовать метод дискриминантного анализа. Для реализации решения был выбран программный продукт Statistica, поскольку в его модуле Дискриминантный анализ имеется широкий набор средств, обеспечивающих проведение дискриминантного анализа данных, визуализации и интерпретации результатов.
СПИСОК ЛИТЕРАТУРЫ

1 Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining — М.: БХВ-Петербург, 2009. — 336 с.

2 Чубукова И.А. Data Mining: учебное пособие. 2-е изд., перераб. - М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2008. - с. 239-252.

3 Киселев. Курс Базы данных: [Электронный ресурс]. URL: http://ftp.csdep.mephi.ru/kiselev/Data%20Base/DesMak/ lection13.htm (Дата обращения: 05.04.2013)


УДК519.87:314.18(477)

САВЧУК Т.О., ГУМЕНЮК О.В.


ВНТУ(Україна)

ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ПРОЦЕСУ ЗМІНИ ДЕМОГРАФІЧНОЇ СИТУАЦІЇ



В даній роботі було проведено аналіз існуючих методів дослідження демографічних процесів. Було розроблено нечіткий підхід до аналізу процесів зміни демографічної ситуації.
Інтелектуальний аналіз процесу зміни демографічної ситуації країни відіграє значну роль у визначенні вектору розвитку країни в майбутньому. Якісний аналіз даного процесу з використанням інтелектуального засобу для аналізу даних про населення може забезпечити: прогнозування економічного розвитку регіону або держави в цілому, ринку житла, а також визначити демографічну політику держави.

Реальність і стохастичність процесів зміни чисельності населення в неперервному часі визначає актуальність побудови відповідної демографічної моделі як автономної немарківскої системи масового обслуговування з PH-розподілом часу і необмеженим числом автоматів, яка буде покладена в основу алгоритму, що реалізується програмним забезпеченням з метою аналізу сценаріїв розвитку демографічної ситуації певного регіону, країни або світу в цілому.

Відповідно до даної моделі обслуговувана заявка інтерпретується як жінка, час обслуговування заявки - тривалість життя цієї жінки, під і-тою фазою розуміється стохастичний еквівалент віку жінки. Тоді, інтенсивність народження дівчат у жінки в t-тому році iфази життя, визначається як функція (t). Вхідним потоком заявок являється процес народжуваності дівчат в і-тій фазі життя жінки. Для даної моделі характеристична функція (де - уявна одиниця) матиме вигляд:



Тоді, асимтотика першого порядку характеристичної функції H (u, t) числа заявок n(i ,t), з середнім значенням числа заявок mi(t) визначиться як :

Отже, асимптотика другого порядку характеристичної функції H (u, t) числа заявок n (і,t), з вектором математичних сподівань Nmi(t), та матрицею коваріацій NRij матиме вигляд:



Таким чином, запропонована математична модель демографічних процесів, що базується на автономній немарковскій системі масового обслуговування з PH-розподілом часу, може бути використана для інтелектуального аналізу процесу зміни демографічної ситуації.


ПЕРЕЛІК ЛІТЕРАТУРИ

1. Медков В.М., Демография: Учебное пособие. Серия «Учебники и учебные пособия». — Ростов-на-Дону: «Феникс», 2002. — 448 с.



2. Борисов В. А. Демография — М.: Издательский дом NOTABENE, 1999, 2001. — 272 с..

3. Бондарев В.Н., Аде Ф.Г. Искусственный интеллект: Учеб. пособие для вузов. - Севастолполь: Изд-во СевНТУ, 2002. - 615 с.

4. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG. - М.: Издательский дом "Вильямс", 2004. - 640 с.
УДК 004.89+519.216.3+656.2



Поділіться з Вашими друзьями:
1   ...   50   51   52   53   54   55   56   57   ...   60


База даних захищена авторським правом ©wishenko.org 2017
звернутися до адміністрації

    Головна сторінка