аспирант
Post-graduate Student
д-р техн. наук, профессор
Dr. Sci. (Eng.), Professor
д-р.техн. наук, профессор
Dr. Sci (Eng.), Professor
Рассмотрены особенности кластеризации многомерных данных для экологического мониторинга с помощью нейросетевой модели SOM, позволяющей выделять группы параметров с максимальным и минимальным вкладом, оценивать влияние каждого параметра на формирование кластеров на основе весовых коэффициентов модели. Показано, что SOM позволяет проводить кластеризацию многомерных данных в процессе экологического мониторинга, а алгоритм Шепли – определять вклад каждого признака с учётом всех возможных комбинаций. Предложена методика выделения наиболее значимых параметров на основе весов нейросетевой модели. Обучена нейронная сеть и выполнена кластеризация, оценено влияние отдельных параметров на формирование кластеров, выделены группы параметров, отличающиеся наибольшим (и наименьшим) вкладом в процесс обучения модели. Показано, что значимость признаков при обработке исходных данных методом главных компонент и предложенной нейросетевой моделью SOM идентична. Сделан вывод о том, что разработанный подход позволяет формировать обоснованные рекомендации по приоритетным мерам по улучшению качества водных ресурсов и определению критически значимых загрязнителей.
The article considers the features of multidimensional data clustering for environmental monitoring using the SOM neural network model, which allows identifying parameter groups with the maximum and minimum contribution, assessing the influence of each parameter on the formation of clusters based on the model weights. It is shown that SOM allows clustering multidimensional data in the process of environmental monitoring, and the Shapley algorithm determines the contribution of each feature taking into account all possible combinations. A technique for identifying the most significant parameters based on the weights of the neural network model is proposed. The neural network is trained and clustering is carried out, the influence of individual parameters on the formation of clusters is estimated, and groups of parameters with the greatest (and least) contribution to the model training process are identified. It is concluded that the significance of features when processing the original data by the PCA method and the proposed neural network model (SOM) is identical. The developed approach allows for the formation of well-founded recommendations on priority measures to improve the quality of water resources and identify critical pollutants.
The authors declare that there are no conflicts of interest present.