Не только деликатес: мидии и машинное обучение помогут следить за водной средой |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-07-04 11:58 Севастопольские ученые разработали алгоритм машинного обучения для ранее созданной ими биологической системы раннего оповещения о состоянии водных объектов на основе поведения двустворчатых моллюсков. Эта работа важна для повышения эффективности прогнозирования аномалий в данных об активности пресноводных мидий при мониторинге состояния водной среды. Такой подход позволит снизить затраты, связанные с оперативным, тактическим и стратегическим планированием использования водоемов. Результаты исследования, поддержанного грантом Российского научного фонда, опубликованы в журнале Forecasting. Оценка качества воды и точный прогноз показателей загрязнения воды – ключевые компоненты управления водными ресурсами и контроля загрязнения среды. Учитывая сложность и разнообразие загрязняющих водные объекты веществ, лабораторный анализ каждого из них считается дорогостоящим и практически невозможным. В качестве альтернативы ученые предлагают использовать живые организмы как биоиндикаторы, позволяющие комплексно оценить состояние водной среды и своевременно отреагировать в случае возникновения чрезвычайной ситуации. Одними из таких индикаторов могут быть мидии: поведенческие реакции мидий, такие как открытие створок, не только отражают их естественные циркадные ритмы, пищевую и дыхательную активность, но и способны служить индикатором внешних стрессовых факторов. Экспертная оценка аномалий может помочь в некоторых вопросах, но такой подход не обеспечивает быстрого реагирования на нештатные ситуации. Решение подобной задачи возможно с помощью алгоритмов машинного обучения. Исследователи из Института природно-технических систем (Севастополь) впервые применили методы машинного обучения для анализа активности моллюсков. В частности, они сравнили работу трех алгоритмов (Theta, Croston и Prophet), чтобы оценить их эффективность. Данные для сравнения ученые собрали с помощью разработанной ими системы раннего оповещения, где датчики регистрировали движения створок моллюсков и передавали их на компьютер. Здесь алгоритмы обрабатывали входящую информацию: в качестве меры определения аномалий активности исследователи использовали ошибку между прогнозным значением и реальными данными. Поскольку данные из биологических систем раннего оповещения передаются на сервер в режиме реального времени, основной параметр успешности модели – это ее скорость обнаружения аномалии. Кроме того, разработанный алгоритм и последующая генерация сигнала тревоги не должны требовать значительных вычислительных ресурсов. Результаты исследования показали, что наилучшее быстродействие обеспечивает алгоритм Prophet, а значит, при его использовании информация о загрязнении воды быстрее попадет конечному потребителю. Сравнение методов по вычислительной сложности показало преимущество метода Croston. «Новизна работы заключается в применении алгоритмов машинного обучения к данным активности двустворчатых моллюсков, используемых в качестве биосенсоров в системе биомониторинга водоемов. Разработанный алгоритм обнаружения аномалий будет эффективно встроен в программное обеспечение разработанного авторами автоматизированного комплекса биомониторинга водной среды», – рассказывает руководитель проекта, поддержанного грантом РНФ, Елена Вышкваркова, кандидат географических наук, ведущий научный сотрудник Института природно-технических систем. Информация и фото предоставлены пресс-службой Российского научного фонда Источник: vk.com Комментарии: |
|