Журнал «Современная Наука»

ГЛУБОКОЕ ОБУЧЕНИЕ В ЗАДАЧАХ ИНТЕРПРЕТАЦИИ И АГРЕГАЦИИ ПРИРОДНОЙ ИНФОРМАЦИИ

Кошелев Никита Дмитриевич (аспирант каф. «Конструирование и производство радиоаппаратуры» ФГБОУ ВО «Пензенский государственный университет» )

Новиков Кирилл Сергеевич (аспирант каф. «Конструирование и производство радиоаппаратуры» ФГБОУ ВО «Пензенский государственный университет» )

Юрков Николай Кондратьевич (Доктор технических наук, зав. кафедры «Конструирование и производство радиоаппаратуры» ФГБОУ ВО «Пензенский государственный университет» )

Актуальность и цели. Возрастающее число природных катастроф, связанное с изменением климата, требует разработки современных методов оценки рисков на основе комплексной экологической информации. Традиционные подходы к анализу климатических и геофизических данных (температура, осадки, сейсмическая активность и др.) зачастую не справляются с выявлением скрытых нелинейных зависимостей между разнородными параметрами. Глубокое обучение предоставляет новые возможности для автоматического извлечения сложных пространственно-временных признаков из больших объемов данных, однако модели глубоких нейросетей являются «черными ящиками» и затруднены в интерпретации. В данной работе предлагается научно-исследовательский подход, сочетающий глубокие нейросетевые архитектуры (сверточные нейронные сети и трансформеры) с динамической нечеткой системой вывода DENFIS для интерпретации и агрегации природной информации. Материалы и методы. Формализована задача интеграции разнородных временных рядов природных показателей для оценки риска природных событий. Разработана гибридная модель, где глубокие нейросети выявляют скрытые паттерны в данных, а DENFIS агрегирует их через адаптивные нечеткие правила. Представлены математические модели используемых компонентов, включая механизм самовнимания трансформера и нечетко-нейронный вывод. Результаты. Проведена серия вычислительных экспериментов на данных мониторинга климатических показателей (осадки, влажность почвы и др.) и геофизических измерений. Описаны этапы предобработки данных, архитектура и обучение моделей, критерии оценки (точность, полнота, F1-мера) и визуальные средства анализа результатов (графики сходимости ошибки, матрица ошибок классификации и др.). Результаты. Показано, что предложенная гибридная модель превосходит по точности (до ~95%) отдельные методы глубокого обучения (~92%) и классические алгоритмы (до ~80%). DENFIS в составе ансамбля улучшает идентификацию граничных случаев и обеспечивает интерпретируемость решений за счет генерации понятных правил (например, если уровень осадков высокий и почва перенасыщена влагой, то риск наводнения высокий). Выводы. Комплексирование глубоких нейросетевых методов с нечеткой логикой позволяет достичь высокой точности прогноза рисков природных катастроф при одновременном получении объяснимых моделей, что подтверждает перспективность предлагаемого подхода для систем раннего предупреждения и поддержки принятия решений.

Ключевые слова:глубокое обучение, интерпретация данных, агрегация данных, климатические данные, геофизические данные, нейро-нечеткие системы, DENFIS, сверточные нейронные сети, трансформеры, оценка риска, природные катастрофы.

Читать полный текст статьи …

Ссылка для цитирования:
Кошелев Н. Д., Новиков К. С., Юрков Н. К. ГЛУБОКОЕ ОБУЧЕНИЕ В ЗАДАЧАХ ИНТЕРПРЕТАЦИИ И АГРЕГАЦИИ ПРИРОДНОЙ ИНФОРМАЦИИ // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки. -2025. -№06/2. -С. 105-113 DOI 10.37882/2223-2966.2025.06-2.16

ПРАВОВАЯ ИНФОРМАЦИЯ:
Перепечатка материалов допускается только в некоммерческих целях со ссылкой на оригинал публикации. Охраняется законами РФ. Любые нарушения закона преследуются в судебном порядке.
© ООО "Научные технологии"