| Инд. авторы: | Потапов В.П., Счастливцев Е.Л., Юкина Н.И., Харлампенков И.Е. |
| Заглавие: | Глубокие нейронные сети для оценки качества вод |
| Библ. ссылка: | Потапов В.П., Счастливцев Е.Л., Юкина Н.И., Харлампенков И.Е. Глубокие нейронные сети для оценки качества вод // Горный информационно-аналитический бюллетень (научно-технический журнал). - 2019. - № S37. - С.569-577. - ISSN 0236-1493. |
| Внешние системы: | DOI: 10.25018/0236-1493-2019-11-37-569-577; РИНЦ: 41748833; |
| Реферат: | rus: В настоящее время, авторами накоплен большой объем гидрохимических данных по водным ресурсам Кемеровской области. Для анализа этих данных, с целью оценки динамики качества водных объектов разработан комплекс программ на основе технологии глубоких нейронных сетей. Исследована и предложена модель нейросети для оценки качества вод, а также проведено предварительное ее тестирование в целях адекватности предложенной модели на основе глубокого обучения. eng: Currently, the authors have accumulated a large amount of hydrochemical data on water resources of the Kemerovo region. To analyze these data, in order to assess the dynamics of the quality of water bodies, a set of programs based on the technology of deep neural networks has been developed. The neural network model for assessing water quality was studied and proposed, and its preliminary testing was conducted in order to ensure the adequacy of the proposed model based on deep learning. |
| Ключевые слова: | computational models; Deep Neural Networks; models; оценка качества вод; вычислительные модели; глубокие нейронные сети; модели; water quality assessment; |
| Издано: | 2019 |
| Физ. характеристика: | с.569-577 |
| Цитирование: | 1. Счастливцев Е.Л., Юкина Н.И., Харлампенков И.Е. Информационноаналитическая система геоэкологического мониторинга водных ресурсов угледобывающего региона // Вестник КузГТУ. Кемерово. 2016. № 2 (114). С. 157-164. 2. Счастливцев Е.Л. "Техногенное воздействие угледобывающих предприятий на окружающую среду (на примере Кузбасса)". Автореферат дис. д.т.н., Барнаул, 2006г. 3. Потапов В.П., Мазикин В.П., Счастливцев Е.Л., Вашлаева Н.Ю. Геоэкология угледобывающих районов Кузбасса. Новосибирск: Наука, 2005. - 660с. 4. Ковалев В.А., Потапов В.П., Счастливцев Е.Л., Шокин Ю.И. Моделирование геоэкологических систем угледобывающих районов; отв. ред. А.М. Федотов. - Новосибирск: Изд-во СО РАН, 2015. - 298 с. 5. Логов А.Б., Опарин В.Н., Потапов В.П., Счастливцев Е.Л., Юкина Н.И. Энтропийный метод анализа состава техногенных вод горнодобывающего региона // Физико-технические проблемы разработки полезных ископаемых. 2015. № 1. С.168-179. 6. Логов А.Б., Замараев Р.Ю., Логов А.А. Анализ состояния систем уникальных объектов // Вычислительные технологии. 2005. Том 10. № 5. С.49-53. 7. Логов А.Б., Замараев Р.Ю., Логов А.А. Алгоритмы энтропийного метода анализа для отображения свойств объекта в фазовом пространстве // Вычислительные технологии. 2005. Т. 10. № 6. С.75-81. 8. РД 52.24.643-2002. Руководящий документ. Методические указания. Метод комплексной оценки степени загрязненности поверхностных вод по гидрохимическим показателям" (утв. и введен в действие Росгидрометом 03.12.2002). 9. Библиотека TensorFlow https://www.tensorflow.org 10. Библиотека Keras https://riptutorial.com/ru/keras 11. Методы оптимизации нейронных сетей. https://habr.com/ru/ post/318970 12. Мальцев В.А. Оптимизаторы нейронных сетей // Научный форум: Инновационная наука: сб. ст. по материалам XXII междунар. науч.-практ. конф. Т. 4(22). М., Изд. "МЦНО", 2019. С. 61-65. 13. Всё, что нужно знать о нейронных сетях https://proglib.io/p/aboutneural-networks 14. Функции активации нейросети: сигмоида, линейная, ступенчатая, relu, than. https://neurohive.io/ru/osnovy-data-science/activation-functions 15. Метрики в задачах машинного обучения https://habr.com/ru/ company/ods/blog 16. Введение в Scikit-learn. https://neurohive.io/ru/osnovy-data-science/ vvedenie-v-scikit-learn. |
