DSpace Repository

Оперативное прогнозирование пространственно распределенных динамических процессов на поверхности земли на основе усвоения данных

Show simple item record

dc.contributor.author Феоктистов, Артем Сергеевич ru_RU
dc.contributor.author Нежевенко, Евгений Семенович ru_RU
dc.creator Новосибирский государственный университет ru_RU
dc.creator Институт автоматики и электрометрии СО РАН ru_RU
dc.creator Novosibirsk State University en_EN
dc.creator Institute of Automation and Electrometry SB RAS en_EN
dc.date.accessioned 2015-10-15T19:15:35Z
dc.date.available 2015-10-15T19:15:35Z
dc.date.issued 2015
dc.identifier.citation Феоктистов А. С., Нежевенко Е. С. Оперативное прогнозирование пространственно распределенных динамических процессов на поверхности земли на основе усвоения данных // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2015. Т. 13, вып. 2. С. 103–115. ru_RU
dc.identifier.issn 1818-7900
dc.identifier.uri https://lib.nsu.ru/xmlui/handle/nsu/10116
dc.description.abstract Предложен метод моделирования динамических процессов на поверхности Земли, таких как пожары, наводнения, сели, разливы нефти, в условиях априорной неопределенности. Данный метод основан на получении и усвоении данных моделью в ходе развития процесса. Усвоение данных обеспечивается использованием рекуррентной нейронной сети и калмановской фильтрации. Описан процесс обучения нейронной сети и предложен метод ускорения обучения нейронной сети путем использования фильтра Калмана. Проанализирована эффективность предложенного метода. ru_RU
dc.description.abstract A method of modeling a dynamic process on the Earth surface, such as wildfires, floods, mudslides, oil spills, in the conditions of a priori uncertainty is proposed. This method is based on the data assimilation approach. Data assimilation is realized using recurrent neural networks and Kalman filtering. The training process of the neural network is described and also we propose a method for accelerating neural network training through the using of a Kalman filter. The efficiency of its application is analyzed. en_EN
dc.language.iso ru ru_RU
dc.subject компьютерное моделирование ru_RU
dc.subject лесной пожар ru_RU
dc.subject рекуррентная нейронная сеть ru_RU
dc.subject усвоение данных ru_RU
dc.subject обучение ru_RU
dc.subject фильтр Калмана ru_RU
dc.subject computer simulation en_EN
dc.subject wildfire en_EN
dc.subject recurrent neural network en_EN
dc.subject data assimilation en_EN
dc.subject Kalman filter en_EN
dc.subject 519.6
dc.title Оперативное прогнозирование пространственно распределенных динамических процессов на поверхности земли на основе усвоения данных ru_RU
dc.title.alternative Forecasting of dynamic processes on the earth surface based on data assimilation en_EN
dc.type Article ru_RU
dc.description.reference 1. Нежевенко Е. С., Козик В. И., Феоктистов А. С. Адаптивное прогнозирование развития динамических процессов на поверхности Земли с использованием рекуррентных нейронных сетей // Математические и информационные технологии, MIT-2011: Сб. тр. Междунар. конф. Белград, 2012. С. 226–231. 2. Козик В. И., Нежевенко Е. С., Феоктистов А. С. Нейросетевой метод прогнозирования развития динамических процессов на поверхности Земли // Распределенные информационные и вычислительные ресурсы: Тез. XIV Рос. конф. с международным участием. Новосибирск, 2012. 3. Kozik V. I., Nezhevenko E. S., Feokitstov A. S. Adaptive prediction of forest fire behavior on the basis of recurrent neural networks // Optoelectronics, Instrumentation and Data Processing. 2013. Vol. 49. Iss. 3. Р. 250–259. 4. Ипатова В. М., Шутяев В. П. Алгоритмы и задачи ассимиляции данных для моделей динамики атмосферы и океана. Долгопрудный, 2013. 5. Пененко В. В. Вариационное усвоение данных в реальном времени // Вычислительные технологии. 2005. Т. 10, ч. 1. 6. Haykin S. Kalman filtering and neural networks. Awiley: Intrescience publication, 2001. 7. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во СО РАН, 2008. 8. Haykin S. Neural networks. N. Y.: Prentice Hall, 1999. 9. Kozik V. I., Nezhevenko E. S., Feokitstov A. S. Studying the Method of Adaptive Prediction of Forest Fire Evolution on the Basis of Recurrent Neural Networks // Optoelectronics, Instrumentation and Data Processing. 2014. Vol. 50. Iss. 4. Р. 1–7. 10. Dottori F., Todini E. A 2d flood inundation model based on cellular automata approach // XVIII International Conference on Water Resources CMWR / J. Carrera (ed.). Barcelona 2010. 11. Коротенко К. А., Мамедов Р. М. Моделирование процессов распространения нефтяных пятен в прибрежной зоне Каспийского моря // Океанология. 2001. Т. 41 (6). С. 34–45. ru_RU
dc.description.reference 1. Kozik V. I., Nezhevenko E. S., Feoktistov A. S. Adaptive prediction of dynamic processes on the surface of the earth using a recurrent neural networks. International Conference «Mathematical and Informational Technologies, MIT-2011», 2012, p. 226–231. 2. Kozik V. I., Nezhevenko E. S., Feoktistov A. S. Neural network method for predicting the behavior of dynamic processes on the surface of the Earth. Abstracts XIV Russian conference with international participation «Distributed information and computational resources» (DICR-2012) (Novosibirsk, Russia, 26–30 November 2012). Novosibirsk, 2012. 3. Kozik V. I., Nezhevenko E. S., Feokitstov A. S. Adaptive prediction of forest fire behavior on the basis of recurrent neural networks. Optoelectronics, Instrumentation and Data Processing, May 2013, vol. 49, iss. 3, p. 250–259. 4. Ipatova V. M., Shutyaev V. P. Algorithms and data assimilation problem for models of the dynamics of the atmosphere and ocean. Dolgoprudny, 2013 5. Penenko V. V. Variational data assimilation in real time. Computational Technologies, 2005, vol. 10, part 1. 6. Haykin S. Kalman filtering and neural networks. Awiley, Intrescience publication, 2001. 7. Dorrer G. A. The dynamics of forest fires. Novosibirsk, SB RAS, 2008. 8. Haykin S. Neural networks. N. Y., Prentice Hall, 1999. 9. Kozik V. I., Nezhevenko E. S., Feokitstov A. S. Studying the Method of Adaptive Prediction of Forest Fire Evolution on the Basis of Recurrent Neural Networks. Optoelectronics, Instrumentation and Data Processing, 2014, vol. 50, iss. 4, p. 1–7. 10. Dottori F., Todini E. A 2d flood inundation model based on cellular automata approach. XVIII International Conference on Water Resources CMWR. J. Carrera (ed.). Barcelona, 2010. 11. Korotenko K. A., Mamedov R. M. Modeling the propagation of oil spills in the coastal zone of the Caspian Sea. Oceanology, 2001, vol. 41 (6), p. 34–45. en_EN
dc.relation.ispartofvolume 13
dc.relation.ispartofnumber 2
dc.relation.ispartofpages 226-231


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account