Predikcia slnečnej aktivity využitím rôznych modelov neurónových sietí

Autor

Tomáš Šmajda

Úvod

Výskumné centrum francúzskej telekomunikačnej spoločnosti France Telecom (CNET) publikuje každý mesiac stav (resp. kvalitu) šírenia sa rádiových vľn časťou atmosféry, nazývanou ionosféra. Tieto informácie majú význam pre rádiové spojenia lietadiel, lodí, áut, resp. pre všetkých, ktorí využívajú pre komunikáciu frekvenčné pásmo od 3 do 30 MHz.
Ionosféra je ionizovaná časť atmosféry, ktorá sa nachádza vo výške 50 km a siaha až do výšky 2000 km. Vo všeobecnosti sa delí na 3 časti: D, E a F vrstvu. Posledná z nich je ionizovaná najviac a práve ona má najväčší vplyv na prenos rádiových vľn.
Urobiť správnu prognózu predpokladá analyzovať nielen niekoľko ionosferických parametrov, ale takisto parametre slnečnej aktivity. Na nej závisí stav ionosféry najviac. Úroveň slnečnej aktivity sa vyjadruje relatívnym (pomerným) číslom slnečných škvŕn Ri. Výskumné centrum CNET pracuje s indexom IR5, čo je päťmesačný priemer indexu Ri. Tento parameter bol aj neskôr použitý v experimentoch. Ich úlohou bolo použitím neurónovych sietí predikovať index Ri.

Predikcia pomocou neurónovej siete

Prvým krokom bolo predspracovanie vstupných dát (napr. ak priemer určitej postupnosti hodnôt bol značne odlišný, tieto hodnoty boli
odstránené). Normalizovať dáta bolo nutné preto, aby sa ich stredná hodnota nenachádzala v okolí nuly (hodnoty boli z intervalu [-1;1]).
Priebeh indexu IR5 v rozmedzí rokov 1949-91:



Boli vyskúšané tri modely neurónových sietí: jednoduchá NN, modulárna NN a Elmanova RC NN.
Jednoduchá NN - viacvrstvový perceptrón s jednou skrytou vrstvou; prepojenie typu "full connection"; metóda učenia: Backpropagation; počet vstupných neurónov: 40, počet skrytých: 23, počet výstupných: 6.
Modulárna NN - 1. modul bol špecializovaný na vypočítanie prvých piatich hodnôt, 2. modul na vypočítanie poslednej, šiestej hodnoty. 3. modul kombinuje výstupy 1. a 2. modulu. Kontrolované učenie NN prebiehalo súčasne.
Elmanova RC NN - viacvrstvový perceptrón, čiastočne rekurentná NN (rekurentné synaptické váhy majú konštantnú hodnotu 1). Rekurentné prepojenia v skrytej vrstve zabezbečujú uchovanie aktivačných hodnôt neurónov v tzv. "kontextovej vrstve", ktoré sú použité v ďalšom kroku učenia.

Experimenty

Pre učenie a testovanie všetkých troch modelov NN bola použitá učiaca vzorka - 1428 príkladov a testovacia vzorka - 238 príkladov. Počiatočné váhy boli inicializované náhodne, učenie sa skončilo, ak veľkosť chybovej funkcie bola menšia než 0,000001. Jednotlivé modely neurónových sieti dopadli takto:


Predpoklad CNET Jednoduchá NN Modulárna NN Elmanova RC NN
ARV 0.1130 0.0884 0.0748 0.0737
SEP 5.0420 5.0420 1.6807 1.6807

ARV (Average Relative Variance) - priemerná relatívna odchýlka.
SEP (Strong Error Percentage) - konečná chyba v percentách (percentuálne vyjadrenie príkladov z testovacej množiny, pre ktoré bola očakávaná hodnota a skutočná rozdielna o 30 a viac).

Nasledujúci graf porovnáva skutočné hodnoty indexu IR5 so získanými, predpokladanými hodnotami, ktoré poskytla NN (najlepšie výsledky):



Záver

Z experimentov vyplýva, že všetky tri neurónové siete boli lepšie ako predpoklad CNET, pričom modulárna a Elmanova rekurentná NN boli lepšie ako jednoduchá. Ukazuje sa, že v tomto prípade je výhodné použiť také modely neurónových sietí, ktoré "robia" veľa malých chýb, ale výsledná percentuálna chyba je malá.
Je teda zrejmé, že neurónové siete sa dajú s úspechom použiť pri predikcii slnečnej aktivity a dávajú lepšie výsledky ako klasické metódy. Správny výber konkrétneho typu neurónovej siete je však nevyhnutným predpokladom.