Нейросетевое моделирование в задачах прогнозирования распространения опасных инфекционных заболеваний животных

В настоящее время очевидно возрастающая роль нейросетевых технологий в решении практических задач управления во многих предметных областях. Области применения нейросетевых технологий пересекаются со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейросетевых технологий многообразны и свидетельствуют о его универсальности [5].

Животноводство является одним из сложных объектов научного исследования, требующих особого внимания аналитиков, использующих нейросетевые технологии [2; 3]. Одним из основных особенностей отрасли животноводства является то, что в качестве специфических средств производства в сельском хозяйстве выступают живые организмы - животные, развивающиеся в соответствии со своими биологическими законами.

Разнообразие климатических и географических особенностей Республики Бурятия способствуют возникновению, распространению различных инфекционных заболеваний животных. Вследствие непрерывности эпизоотического процесса инфекции могут быстро распространяться среди животных и наносят значительный экономический ущерб животноводству, а некоторые возбудители становятся причиной заболевания людей [1].

Несмотря на снижение заболеваемости животных и широты распространения, некоторые инфекционные болезни систематически регистрируется на территории России, в том числе и в Республике Бурятия. Они становятся источником угрозы безопасности здоровью животных и населения в целом, что требует усовершенствования возможности качественного прогнозирования динамики распространения заболевания с учетом всех существующих факторов.

Для решения таких задач в сельском хозяйстве сложились традиционные подходы к анализу данных на основе следующих методов статистической обработки: корреляционный, регрессионный и кластерный анализ. Такие методы делают результаты прогнозирования недостаточно точными, что является одной из причин неэффективности мер борьбы с инфекционными патологиями животных.

Основной целью данного исследования являлась оценка возможности использования нейросетевых технологий при анализе эпидемиологического уровня пастереллеза свиней на территории Республики Бурятия.

Для решения поставленной задачи была сформирована исходная таблица из 18 параметров, отражающая значение каждого параметра для всех районов Республики Бурятия. Основными параметрами для нейросетевого анализа стали площадь территории районов (кв. км), поголовье свиней (гол), плотность поголовья свиней (гол/ км2), сумму среднемесячных температур (0С), среднегодовое количество осадков (мм), количество дней в году с ветром более 15 м/с (дни), площади сельскохозяйственных угодий и пастбищ (тыс. га), средние данные представлены в таблице 1.

При выборе топологии нейронной сети был использован нейроимитатор NeuroPro, позволяющий проводить анализ и моделирование данных, исследовать и визуализировать исходные данные и результаты моделирования.

Прежде чем сформировать нейронную сеть, была проведена предобработка входной информации, так, чтобы все исходные значение были представлены в интервале [0,1]. При шкалировании данных учитывались значения больше максимального и меньшие минимального среди имеющихся наблюдений (на случай, если в прогнозируемый период будет наблюдаться выход за пределы области значений поступлений предыдущего периода).

Была создана нейронная сеть с топологией 10/18/10 (число входных сигналов, число нейронов в скрытом слое, число выходных нейронов) (Рис 1).

Экспериментальный анализ выявленных наиболее значимых признаков показал, что для большинства случаев они совпали с результатами традиционно используемыми экспертными оценками [4].

Рис. 1. Значимость входных сигналов нейросети

Полученная нейросетевая модель показала, что пастереллез в Республике Бурятия проявляется в районах с большим числом дней в году с ветром более 15 м/с, с малыми территориями, на которых регистрируются значительное поголовье и плотность поголовья домашних и диких свиней, низкие показатели вакцинации (рис. 1).

Заключение

Исследования показывают, что метод нейросетевого моделирования может считаться эффективной альтернативой классическому методу корреляционного анализа в практике прогнозирования распространения инфекционных заболеваний животных. Внедрение нейросетевого анализа для прогнозирования и оценки риска распространения опасных инфекционных заболеваний животных требует дальнейшего исследования.