neuroproject.ru

[Анна]

добрый день,
хочу посоветоваться по поводу возможности применения НС для моделирования местообитаний животных - какую архитектуру НС лучше использовать, какое ПО и в целом, какое мнение профессионалов по этому вопросу?
В целом, сильно упрощая, задача сводится к следующему: есть набор параметров (тип растительности, высота, экспозиция, близость к воде, защищенность и т.д.), на выходе хотелось бы получить либо ответ да\нет (подходит-неподходит этот участок как местообитание для вида), либо от 0 до 1 (т.е. степень "подходящести").

[siteadmin]

то есть на входе вектор, описывающий параметры среды, а на выходе - мера "подходящести" среды для для данного животного(вида)?
Сколько параметров среды в задаче, сколько есть примеров?
вообще для начала не мешало бы попробывать на чем-нибудь простом типа 3-слойного перцептрона поиграться с различными параметрами типа кол-ва скрытых нейронов для оценки сложности.

мы для решения похожих задач применяем NeuroShell2

[Oleg Agapkin]

[Анна]

Спасибо огромное за ответы!

to Segrgey и Oleg:

насчет вектора и параметров - дело в том, что с одной стороны, как вы точно заметили, параметры могут быть бинарными (точнее можно довести их до бинарных - но это сильно упрощенный вариант - тогда будет вектор), но было бы замечательно, если бы можно было использовать непрерывные данные. И непросто непрерывные, а так чтобы они тоже описывали "подходящесть".

Самый простой пример: высоты - вид может обитать на высотах от 30 до 280 м, но зависимость того, насолько вероятно его встретить на этих высотах, может быть описана с помощью нормального распределения - т.е. 95% особей попадут в разброс от 100 до 180 м, остальные 5% - от 30 до 100 и от 180 до 280 (это, конечно, искусственный пример).

to Sergey:
параметры такие: высота (непрерывный фактор), экспозиция (тоже непрерывный), расстояние до воды (непрерывный, но после определенного значения - точно животное на встретить), тип растительности (есть 8 классов, 4 подходят, 2 - изредка, 2 - вообще никак), расстояние до солонцов (как с водой). Вот пожалуй и все.

to Oleg:
да, данные для тренировки есть.
------
Вообще, давайте я еще раз опишу задачу, но буду называть все своими именами
Вид который изучаю - овцебык, задача стоит сравнить возможность моделирования с помощью логистической рергрессии, нейронных сетей и растрового анализа (последнее - это как раз моя специальность - ГИС).
Данные - главным образом, цифровая модель рельефа и космические снимки, плюс векторные данные с топокарт (которые тоже в конечном счете будут растрами - для удобства обработки). Любые данные которые я перечислила легко конвертируются в таблицы (по оси х и у - координаты, значение ячейки = значение переменной). Точки - места встреч стад овцебыков. Каждая точка характеризуется значением высоты, экспозиции, близостью к воде\солонцу и типом растительности. Их я думала использовать как тренировочный набор. Потом, после обучения нейросети, хотелось бы применить ее для всей территории и таким образом выделить потенциальные местообитания.

Вот такая задача

[Oleg Agapkin]

[Анна]

[Oleg Agapkin]

[Анна]

ой, прошу прощения, опечатка - 70 точек - 70 стад. Конечно не 7. В каждом стаде по 10-13 особей
Да, быки перемещаются, но это выглядит следующим образом: есть площадка, на которой они определенное время пасутся, когда еды становится мало, они переходят на следующую площадку - похожую, история повторяется, потом следующая и т.д.

[Victor G. Tsaregorodtsev]

Можно влезть?

Прошу прощения у господ из Нейропроекта за то, что хочу повернуть обсуждение немножко в другую сторону (или, по крайней мере, указать на тот аспект, который необходимо помнить), поскольку это пойдет только на пользу автору темы.

Итак, нет никаких различий (со смысловой точки зрения) между нейросетями и методами классической статистики - регрессией для решения задачи прогнозирования и байесом или линейным разделителем для задачи классификации с учителем (не буду перечислять кучу методов из статистики, ограничусь только этими примерами). Задачи решаются и нейросетями, и статистикой абсолютно одинаковые, правила формальной постановки задачи (кодирование признаков, предобработка) одинаковы для обоих подходов. Разница заключается только в гибкости модели (линейная или нелинейная, например, нелинейная нейросетевая) и правилах идентификации модели (явное одношаговое решение для линейных моделей и итерационный процесс обучения для нейросетей). Т.е. разница возникает уже за пределами обсуждаемых в этой теме вещей, и разница опять же скорее не смысловая (с точки зрения постановки задачи и выбора метода решения), а количественная, про особенности модели или алгоритма настройки параметров модели.

Соответственно можно посоветовать уважаемой Анне следующие вещи. Если уже есть формальная, адекватная с точки зрения статистиков, формулировка этой же самой задачи для методов статистики, то можно брать именно эту формулировку - нейросети никаких особых переработок не потребуют (по крайней мере, поначалу - до определения узких мест именно нейросетевого метода решения в этой задаче). Если формальной постановки нет, то можно обращаться к знакомым статистикам для возможности свести воедино советы нейросетевиков и статистиков и получить единую, с точки зрения математического описания, постановку задачи, может быть, более адекватную по сравнению с заходами только с одной или только с другой стороны.

Далее, почему нужно обращение к статистике - нужно для проверки адекватности построенных нейросетевых моделей. Если, например, нелинейная модель (а нейросети строят нелинейную модель отображения входных сигналов в выходные, т.е. отображение между независимыми и зависимыми признаками задачи) работает менее точно, чем линейная статистическая, то это указывает или на линейную природу задачи (и нейросети здесь будут нужны так же, как рыбе нужен зонтик, надо возвращаться к линейным моделям), или на какие-то ошибки в формулировке задачи для нейросети (поэтому и указываю на полезность одинаковой формулировки как для метода статистики, так и для нейросеток), или на ошибки при построении-обучении нейросети.

[Oleg Agapkin]

[Victor G. Tsaregorodtsev]

[Анна]

to Victor:
небольшой вопрос - под "тамошней" областью что имеете в виду? возможно мои скромные знания в этой самой области (включая семантику и варианты представления данных) могли бы быть вполне полезными и не стоит так уж сразу их игнорировать.
----
задачу всегда можно усложнить. Вопрос лишь в том, насколько такое усложнение оправдано - собственно поэтому и попыталась выше сформулировать (достаточно четко, прошу заметить) задачу, чтобы услышать, что резонно, а что нет.
----
Далее, как было точно замечено Олегом (спасибо за это) - да, меня интересуют (на данном этапе) практические аспекты решения задачи и понимание базовых алгоритмов. Умышленно не хочу усложнять процесс (точнее хочу, но только настолько, насколько это целесообразно для поставленной задачи), чтобы оценить возможность обработки пространственных данных (в классическом понимание ГИС) с помощью нейросетевых алгоритмов и возможные пути их интеграции.
----
на счет готового софта - несомненно готового нет. Поэтому и интересуюсь, что нужно на входе "скармливать" нейросети (какой формат), что получается на выходе (тоже в каком формате), как осуществляется взаимодействие с пользователем ну и т.д.

В целом, спасибо за развернувшуюся теоретическую полемику и отдельное огромное спасибо (to Oleg и to Sergey) за первые посты - с практическими советами

[Victor G. Tsaregorodtsev]

[Oleg Agapkin]

[Анна]

к вопросу о данных - очень радостное событие (для меня по меньшей мере - нашлись новые данные по учетам, которые проводились в течение нескольких полевых сезонов, регулярно, с очень точной пространственной привязкой и притом на трех крупных полигонах. Таких данных (в смысле стад) целых 150, так что я думаю, что теперь-то такие данные подойдут для работы?
исследования продвигаются, главным образом, в окружении большого числа книг и статей по нейросетям, использовании их для моделирования местообитаний и ареалов, а также в процессе подготовки данных для анализа (подготовке всех входных параметров).

[Oleg Agapkin]

[Анна]

) ну а еще замечательнее было бы провести анкетированный опрос самих овцебыков и попросить их обозначить на карте, где же им больше всего нравится, а где нет.
----
Идея то, конечно, хорошая, но такого не бывает. wildlife, однако.

[Oleg Agapkin]

Ну хорошо. Но все же, если в будущем будет возможность планировать эксперимент, таким подходом вполне можно воспользоваться (я не про опрос среди животных).

Удачи вам, Анна. Пишите как будут исследования проходить.

[Анна]