Нейромережний метод постпрогнозування  концентрації небезпечних речовин  в умовах невизначеності

• Veröffentlicht in: Штучний інтелект
• Datum: 2012
• 1. Verfasser: Землянський, О.М.
• Format: Artikel
• Sprache: Ukrainisch
• Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2012
• Schlagworte: Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/60725
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Нейромережний метод постпрогнозування концентрації небезпечних речовин в умовах невизначеності / О.М. Землянський // Штучний інтелект. — 2012. — № 2. — С. 136-143. — Бібліогр.: 11 назв. — укр.

У статті розглядається проблема уточнення концентрації хімічно небезпечних речовин у післяаварій- ний період. Запропоновано метод постпрогнозування концентрації таких речовин в просторі та часі, а також коригування значень вихідних параметрів аварії на основі використання нейромереж як моделей невідомих залежностей. Показано і обґрунтовано переваги застосування нейромережі спеціального типу та розробленого методу. В статье рассматривается проблема уточнения концентрации химически опасных веществ в послеаварийный период. Предложен метод постпрогнозирования концентрации таких веществ в пространстве и времени, а также корректировки значений исходных параметров аварии на основе использования нейросетей как моделей неизвестных зависимостей. Показано и обосновано преимущества применения нейросети специального типа и разработанного метода. Ключевые слова: опасные вещества, концентрация, постпрогнозирование, нейросеть. In this paper the problem of clarification for concentration of chemically hazardous substances is examined in a post-accident period. The method of post-prognostication of concentration of such substances in space and time is offered, and also adjustments of values of initial parameters of accident on the basis of the neural nets use as models of unknown dependences. Advantages for special type neural network application and worked out method are shown and reasonable.