Prin reţele neurale se încearcă

UNIVERSITATEA “VALAHIA” DIN modelarea modului de prelucrare a

TARGOVISTE
FACULTATEA DE INFORMATICA SI
AUTOMATICA APLICATA
informaţiei în sistemul nervos uman.
Simplificat, modelul unui neuron este
reprezentat printr-un element de însumare a
intrărilor xi şi printr-o funcţie de activare f.
În fig. 6.1a este reprezentat un neuron
printr-un simbol, iar în fig. 6.1b sunt
ilustrate funcţiile unui neuron.

Tehnici
inteligente pentru
sisteme de
supraveghere
ecologica
Fig.6.1

Acest model al unui neuron se

Profesor: Conf. Iulian Brezeanu
Student:Cristea Ionut Valentin
Anul: IV
Materia: Conducerea Inteligenta a
Proceselor
numeşte feedforward şi defineşte mărimea
de ieşire y prin relatia:
 n 
y = f(w0x0 + w1x1 + ... + wnxn)=f   Wixi 
 i 0 
=f(net)
unde prin x0 s-a notat polarizarea care are
ponderea W0=1.
Funcţia de activare permite
transformări complexe ale intrărilor,
existând funcţii treaptă (sau prag), funcţii
sigmoidale, etc. Cea mai utilizată structură
pentru o arhitectură de reţea neuronală este
perceptronul multistrat MLP (multilayer
perceptron), fig. 6.2:

Nodurile din stratul de intrare au o
singură intrare, iar ieşirile acestora merg la
stratul ascuns care nu este accesibil. O
reţea neuronală trebuie instruită, adică se
dă un set de date de intrare şi ieşirile scop
(target). Prin operaţia de instruire, ieşirea
actuală a reţelei neuronale se compară cu
scopul şi în funcţie de eroarea aceasta, se
modifică ponderile, operaţia repetându-se
pentru toate seturile de intrare de test. În
operaţia de instruire se foloseşte o funcţie
cost dependentă de eroarea de instruire la
fiecare pas. Cea mai utilizată funcţie de
cost Ep, se referă la suma ponderată a
erorilor de instruire pentru fiecare set de
date de instruire, de forma:
m care poate fi cauzat de
Ep    yi  ti  Wp ,
2
a) alegerea unei structuri de calcul
de tip paralel sau secvenţial.
Procesarea secvenţială este mai
uşor de implementat, este mai
simplă, dar este mai lentă.
Procesarea în paralelFig.6.2.este mai
scumpă, dar mult mai rapidă.
b) alegerea soluţiei software sau
hardware de implementare. O
soluţie software este mai
flexibilă, dar o soluţie hardware
este mai rapidă.
c) alegerea modului de interpretare
software, standard, accelerator,
etc.
Proiectarea unei reţele neurale
poate să ducă la obţinerea unui produs care
are performanţe deficitare, ca de exemplu:
- reţeaua neurală are o eroare
finală de instruire mare,
simptom care se poate datora
faptului că s-au ales greşit
parametrii algoritmului de
instruire şi procesul de instruire
este slab convergent;
- se obţin performanţe inadecvate
pentru setul de date de test
după instruirea reţelei, simptom

i 1
unde m este numărul de seturi de date
pentru instruirea reţelei, Wp este o pondere
care arată calitatea setului de date, cu
valori cuprinse în domeniul 0<W1.
Structura unei aplicaţii cu reţele
neuronale, fig. 6.3, include operaţiile.
Fig. 6.3
Preprocesarea oferă o micşorare a
timpului de calcul al reţelei neurale,
deoarece aceasta va primi date prelucrate,
ca de exemplu: filtrarea semnalelor,
extragerea de trasaturi, transformata Fourie
rapidă, serii predictive de timp, etc.
Postprocesarea transformă ieşirile
decodificate ale reţelei neurale într-o formă
corespunzătoare unei aplicaţii, ca de
exemplu rescalarea semnalului de ieşire.
Alegerea unei soluţii
implementare a unei reţele neurale necesită
operaţiile:
complexitatea prea mare a
reţelei neurale;
- viteza inadecvată de procesare,
simptom care se poate datora
alegerii unor algoritmi prea
complicaţi pentru preprocesare
şi postprocesare.
Un neuron poate fi interpretat
analogic (există realizări tehnologice care
includ 512 neuroni într-un circuit integrat)
sau numeric, la care informaţiile se pot
transmite în paralel sau în serie. Există
procesoare neurale, care includ
multiplexoare, procesoare numerice de
semnale DSP, registre, etc. cu care se poate
realiza o structură feedforward sau
backforward pentru reţele neurale.
Pentru reţele neurale de tip
multistrat MLP, cel mai utilizat algoritm de
instruire se bazează pe metoda propagării
inverse, care impune o funcţie prag
continuu derivabilă, de forma:
de
1
f ( net ) 
1  e K  net

2
unde k defineşte lărgimea funcţiei şi care
acţionează ca un control al amplificării. Noduri ieşire
Parcurgerea etapelor de calcul pentru
instruirea unei reţele neurale necesită
următoarele operaţii: iniţializarea
ponderilor, evaluarea ieşirilor pentru fiecare
strat şi adaptarea ponderilor folosind 16 fire de la
relaţia: fiecare nod de
w ji ( t  1)  w ji ( t )     pj  Opi    [w ji ( t )  w ji ( t  1)] intrare
,
unde wij(t) reprezintă ponderile de la nodul Noduri intrare
i la nodul j la momentul de timp t,  este un
coeficient de amplificare, pj este termenul
erorii de instruire pentru imaginea p în Fig 6.4
nodul j, Opi - ieşirea actuală a reţelei
b) Reţele neurale cu funcţii de
neurale, iar  este un coeficient de moment
bază radiale (Radial Basic Function RBF).
în variaţia succesivă a ponderilor.
Aceste reţele sunt o alternativă la reţelele
O reţea neurală de tip MLP este cu
de tip MLP, având avantajul că în unele
instruire supervizată, adică se învaţă să îşi
aplicaţii pot fi mai uşor instruite, clasificare
modifice ponderile astfel încât ieşirile
de imagini, discriminare, prognoze etc. În
acesteia să coincidă cu scopul (“target”).
stratul ascuns al reţelei RBF, fiecare neuron
Există şi reţele cu instruire nesupervizată,
are ca intrări toate ieşirile de la stratul de
la care nu există un “target”, unde o reţea
intrare. Un neuron conţine o “basic
învaţă să recunoască orice imagine “patern”
function”, fig. 6.5, care are ca parametrii
în datele de intrare şi care sunt prezentate
“centrul” şi “lăţimea”. Structura unui
în continuare.
neuron din stratul ascuns al reţelei RBF
este dată în fig. 6.5:
5.2. STRUCTURI DE
ARHITECTURI DE REŢELE NEURALE
Cele mai utilizate structuri de
reţele neurale sunt de tip perceptron
multristrat MLP, cu instruire supervizată şi
de tip feedforward. Dintre alte tipuri de
reţele neurale se reamintesc:
a) Reţele Kohonen cu
autoorganizare, au două straturi: unul de
intrare şi unul de ieşire. Toate intrările sunt
conectate la toate nodurile de ieşire, care
pot avea numai conexiuni laterale cu Fig. 6.5
nodurile imediat vecine, fig. 6.4. Reţelele
Kohonen sunt cu autoorganizare, de tip În fig.6.5. prin "d" s-a notat:
feedforward şi cu instruire nesupervizată. d    xi  Ci 
2

Aceste reţele se folosesc pentru gruparea

Structura unei reţele de tip RBF,
datelor de intrare “clustering”. De exemplu
fig. 6.6, are ieşirea descrisă de ecuaţia:
o reţea Kohonen este instruită pentru datele n
care definesc funcţionarea unei pompe şi la y   wiRi  x   w0
ieşirea reţelei se obţine o hartă. La apariţia i 1
unor defecte la pompă apare o altă hartă. T
unde wi sunt ponderile, C i
=[Ci1, Ci2, …,
Cin] este centrul domeniului receptor şi Ri
funcţiile:
Ri ( x )    u  Ci , Ci  R n

3
unde (.) are o valoare maximă în origine,
deci numai în vecinătatea vectorului Ci,
care este numit centrul lui Ri(x).
Fig. 6.6
Clasa cea mai generală de funcţii
radiale de bază conţine funcţii gausiene de
forma:


Ri  n   exp  
 u c 
i i
2
2 * cj
 
 
Pentru alegerea funcţiilor de bază
se poate folosi o reţea Kohonen, care
printr-o instruire nesupervizată pentru un
set de date de intrare determină la ieşire
clustere care sunt utilizate pentru a defini
“basis function centers”
c) Reţele Hopfield. Aceste
reţele constau dintr-un număr de noduri,
fiecare conectat unul cu altul, deci o reţea
complet interconectată, fig. 6.7. O reţea
Hopfield admite numai intrări cu două stări
(0;1) sau bipolar (-1;1). Ieşirea reţelei este
starea neuronilor în stare stabilă, în regim
staţionar. Instruirea unei reţele Hopfield se
face prin asigurarea ponderilor pentru
conexiuni, în iniţializarea reţelei cu
imaginea cunoscută şi în iterarea calculelor
pentru ponderi până la convergenţă.
Nodurile reţelei
neurale
Fig.6.7
Dintre alte tipuri de reţele neurale
se menţionează reţelele neurale recurente
(folosite în special pentru aplicaţii de
prognoză), reţele neurale autoasociative
(de tip forward şi cu instruire
nesupervizată) şi reţele cu cuantizare
vectorială (de tip feedforward şi cu
instruire supervizată). Fiecare tip de reţea
neurală are avantaje şi dezavantaje, fiind
adecvate deci pentru o anumită clasă de
aplicaţii.
6.3. REŢEA NEURALĂ PENTRU
PREDICŢIA STĂRII UNUI PROCES DE
FERMENTAŢIE
Deoarece nu există relaţii
matematice care să definească reacţiile,


determinarea modelelor bioreactoarelor şi
măsurarea indirectă a unor parametri

privind variabilele de stare ale acestuia
necesită utilizarea reţelelor neurale, care
pot fi folosite în regim de predicţie. Astfel,
cu ajutorul reţelelor neurale se poate estima
starea bioreactorului, se pot prezice valorile
variabilelor de ieşire, ca productivitate,
calitate, etc.
Ca exemplu de utilizare a unei
reţele neurale industriale pentru estimarea
stării procesului de fermentaţie şi pentru
predicţia unor variabile, se consideră un
proces de fermentaţie la care nu pot fi
măsuraţi toţi parametrii tehnologici şi deci
se utilizează o reţea neurală pentru
estimarea şi predicţia variabilelor de stare
ale acestuia.
Estimarea şi predicţia biomasei
notată cu x, şi măsurată în g/l la momentul
actual de timp t , notată x(t), şi la momente
viitoare de timp t+1, t+2, t+3, reprezentând
ieşirile reţelelor neurale. Semnalele de
intrare ale reţelei neurale pentru predicţia
biomasei x(t) reprezintă mărimi care se pot
măsura, respectiv: Interconexiuni
- concentraţia de oxigen
dizolvat DO(t), transmisă de
alte două intrări prin elemente
de întârziere, DO(t-1), DO(t-
2).
- concentraţia de oxigen Rq(t)
(respiratory quotant) transmisă
în mod identic la încă două
4
 intrări ale reţelei, Rq(t), Rq(t-
1) şi Rq(t-2).
- concentraţia ethanolului la Monitor cu
CP
ieşire Eq, %, transmisă în mod
identic la încă trei intrări ale
reţelei neuronale, Eq(t), Eq(t-
1), Eq(t-2).
- viteza de alimentare a obiecte
substratului FIN, cm3/l,
transmisă la fel la trei intrări,
FIN(t), FIN(t-1), FIN(t-2).
- deasemenea, la două intrări ale
reţelei neuronale se transmit Fig.6.8
valorile precedente ale
concentraţiei de biomasă,la Imaginile de la camera video, după
momente anterioare de timp digitizare, sunt prelucrate în mai multe
x(t-1) şi x(t-2). etape: imaginea RGB este convertită într-
Rezultă că la intrarea reţelei neurale un alt model, spaţiul HSI, apoi zonele de
se aplică 14 semnale de intrare, iar la ieşire interes sunt procesate folosind pixeli, care
este un singur semnal, concentraţia de au valori H şi I în zona definită.
biomasă x(t). În concluzie, pentru predicţia Structura sistemului hardware şi
biomasei x(t), s-a folosit o reţea neuronală software este prezentată în fig. 6.9 şi
cu 14 semnale de intrare (deci 14 noduri de include un calculator personal CP folosit ca
intrare), 10 noduri în stratul ascuns şi un interfaţă grafică a utilizatorului şi un sistem
nod în stratul de ieşire, pentru x(t). Pentru de calcul în paralel ( SCP ) de mare viteză
instruirea reţelei s-a folosit metoda şi putere de calcul care îndeplineşte
propagării inverse. Conf aplicaţiei.
funcţiile specifice An Com C
6.4. SORTAREA DEŞEURILOR igura ali unica P
UTILIZĂND REŢELE NEURALE re De ză Conţii
pan duce
are re S
Scopul unui sistem de sortare cu C
reţele neurale este de a minimiza costurile P
de producţie şi de a obţine rezultate
De la Me Pro Ext Reţ
constante şi fiabile la performanţe înalte.
came mor ces rag ea
Analizele spectroscopice şi chimice nu pot
ra are are ere neu
permite separarea obiectelor deoarece
video date ţesă rală Ev
obiectele pot fi deformate sau acoperite cu
turi alu
impurităţi. Prin utilizarea reţelelor neurale Prepr are
se pot introduce corelări între forma oces rez
obiectelor şi materialul acestora. Sistemul are ult
de detectare si sortare a deşeurilor, fig. 6.8,
ate
este compus dintr-o cameră video, un
monitor video color cu calculator, un Fi
sistem de comunicaţie cu unul sau mai g.6
mulţi roboţi RI şi un sistem de măsurare a .9
vitezei benzii rulante de detecţie a În această aplicaţie s-a folosit o
metalelor SM. reţea neurală cu peste 800 de noduri în
stratul de intrare (care de exemplu
reprezintă 32 de grupări S), 20 de neuroni
de ieşire pentru identificarea a 20 tipuri de
obiecte de pe bandă şi o ieşire pentru
obiecte necunoscute.

5
 Blocul de evaluare a rezultatelor
este bazat pe un sistem expert în care se
folosesc informaţii curente introduse de
către operatorul uman, privind unele
caracteristici ale deşeurilor analizate. În
practică se observă că în timp ce creşte
numărul de tipuri de obiecte care trebuie
sortate, din care motiv rămân cca. 15%
obiecte neidentificate, eroarea de
identificare este de cca.1%.
Reprezentarea numerică
imaginilor necesită vehicularea unui volum
mare de date prin canale de comunicaţie cu
bandă limitată şi memorarea unui volum
mare de date. Din acest motiv a apărut
ideea de a memora date comprimate pentru
imagini, adică date mai puţin corelate între
ele. Comprimarea datelor este posibilă
deoarece imaginile naturale conţin date
redundante între elemente (pixeli) ai
imaginii. Transformarea codificată a
imaginii reprezintă o imagine obţinută prin
coeficienţi de transformare.
O metoda convenţională de
clasificare a subimaginilor constă în
sortarea după energia AC a acestora.
Indicele de energie AC reprezintă o măsură
a activităţii unei subimagini şi este definită
prin relaţia:
energia AC = - energia DC +
M 1 M 1
  x  u, v 
2
u  0 v 0
unde x(u,v) este imaginea bidimensională
de dimensiune finită. Indicele DC defineşte
nivelul de intensitate al fondului, iar
indicele AC reprezintă energia totală din
care se scade energia DC. Rezultă că
subimaginile cu un fond uniform au un
indice AC redus, iar subimaginile cu detalii
numeroase au o valoare mare a indicelui
AC. Printr-o metodă convenţională de
clasificare, o imagine este sortată şi
clasificată după valoarea indicelui AC,
obţinându-se subimagini, care în continuare
sunt prelucrate după acelaşi criteriu.
6.5. UTILIZAREA REŢELELOR
NEURALE PENTRU MODELAREA
PROCESELOR NELINIARE, CU
APLICAŢIE LA REACTOARE DE
TRATARE A REZIDUURILOR
În reactoarele pentru tratarea
reziduurilor se obţine un anumit pH la ieşire
prin adăugarea de acid sau de baze în
funcţie de compoziţia iniţială a reziduurilor.
Pentru optimizarea procesului din reactor
este necesară obţinerea modelului
matematic al acestuia, de exemplu pentru
a reducerea consumului de energie. În
domeniul identificării şi al conducerii
adaptive a proceselor, reţelele RBF au o
utilizare mai extinsă deoarece acestea pot fi
utilizate împreună cu alte tipuri de reţele
neurale şi cu sisteme cu logică fuzzy.
În exemplul prezentat în continuare
se utilizează reţele neurale de tip RBF
pentru modelarea unui proces neliniar, deci
pentru aproximarea unei funcţii neliniare.
Însă deoarece la reţelele tip RBF alegerea
centrelor este o problemă dificilă, pentru
rezolvarea acesteia se folosesc reţele
Kohonen cu autoorganizare. Pentru m -
intrări şi o ieşire, funcţia neliniară se
defineşte prin:
m
f(x) = 0 +  
i 1
i x  ci 
unde  este o funcţie neliniară, ||.|| este
norma euclidiană, i sunt ponderi, i1,m,
iar ci sunt centrele reţelei RBF. Deci, este
necesară o reţea cu un nod de ieşire care
realizează o însumare a semnalelor de la
stratul ascuns care implementează funcţiile
neliniare. Funcţiile neliniare pot fi de
diferite tipuri şi alegerea acestora nu este
crucială în găsirea unui model, însă un rol
hotărâtor îl are alegerea centrelor. La
începutul utilizării reţelelor RBF, ca centre
s-au folosit date de intrare, care însă nu dau
rezultate satisfăcătoare în asigurarea
convergenţei. Alte metode pentru alegerea
centrelor sunt: algoritmul celor mai mici
pătrate ortogonale şi algoritmul grupării
mediilor k standard. Recent s-a propus
utilizarea reţelelor Kohonen cu
autoorganizare pentru obţinerea centrelor,
ceea ce se justifică prin faptul că centrele
trebuie să fie corespunzătore datelor de
intrare.
6
 Funcţia neliniară  se alege de tip
gausian, parametrii căreia se aleg după
criterii statistice, deoarece au o mare
importanţă în precizia de aproximare a
funcţiei neliniare. Schema bloc de
interconectare a celor două reţele neurale
este prezentată în fig. 6.9’. În figura 6.10 se
prezintă un exemplu de funcţie neliniară,
între concentraţia C într-un reactor şi
debitul F de neutralizant.
Figura 6.9’
Fig 6.10
Alegerea numărului de centre se
face experimental prin efectuarea de
simulări pentru mai multe variante utilizând
pachete de programe, în final rezultând un
număr optim de centre pentru fiecare
aplicaţie. În multe aplicaţii numărul de
centre este de cca. 10-15.
6.6. UTILIZAREA REŢELELOR
NEURALE ÎN PLANIFICAREA ŞI
CONDUCEREA PROCESELOR
SECVENŢIALE
Un exemplu de proces secvenţial
este problema vizitării a n puncte de lucru,
cunoscându-se distanţele între acestea.
Fiecare punct de lucru (staţii de epurare)
este conectat cu oricare punct. Problema
constă în vizitarea fiecărui punct de lucru o
singură dată, astfel încât lungimea traseului
7
să fie minimă. Pentru rezolvarea acestei
probleme se foloseşte o hartă de n*n
neuroni, care formează o reţea Hopfield.
Liniile reprezintă locurile care trebuie
vizitate, iar coloanele ordinea în care
fiecare loc este vizitat pe un traseu, fig.
6.11. Ponderile reprezintă distanţele, iar
sumele reprezintă scopul optimizării.
Pentru a verifica consistenţa soluţiilor este
necesară utilizarea unui algoritm de
verificare a consistenţei.
1 2 3 4 5
a 
b 
c 
d 
e 
Fig.6.11
Reţelele neurale oferă mai multe
soluţii de reyolvare a problemelor complexe
de automatiyare, dar au deyavantajul
principal că nu oferă o soluţie unică, fiinf
necesare mai multe încercări experimentale.
Monitoringul ecologic reprezintă
sistemul de supraveghere sistematică şi
continuă astării mediului şi a
componentelor sale sub influenţa
factorilor naturali şi
antropici(Botnariuc,1987).
În sens tehnologic, monitoringul
integrat este un sistem complet deachiziţie
a datelor privind calitatea mediului, obţinut
pe baza unor măsurători sistematice,
delungă durată, la un ansamblu de
parametri şi indicatori, cu acoperire spaţială
şi temporară,care pot să asigure controlul
poluării (Rojanschi, 1995).
Legea Protecţiei Mediului (Legea
137/95) defineşte termenul de monitorizare
amediului ca fiind un sistem de
supraveghere, prognoză, avertizare şi
intervenţie, care are învedere evaluarea
sistematică a dinamicii caracteristicilor
calitative ale factorilor de mediu, înscopul
cunoaşterii stării de calitate şi semnificaţiei
ecologice a acestora, evoluţiei
şiimplicaţiilor sociale ale schimbărilor
produse, urmate de măsurile ce se impun.
Monitoringul ecologic / integrat
urmăreşte:
- realizarea unui sistem integrat de
înregistrări metodice;
- evaluarea cuantificată a structurilor şi a
modului de funcţionare a acestor
proceseecologice;
- compararea stării mediului cu intensitatea
activităţii socio-economice;
- modelarea situaţiilor constatate;
- prognozarea sensului, a tendinţelor şi
schimbărilor ce au loc.
Scopurile sistemelor de monitoring
al calităţii mediului sunt:
- cunoaşterea gradului actual de afectare a
calităţii mediului sub influenţa
impactuluiuman;
- obţinerea în timp util a unor observaţii
obiective care să permită sesizarea
tendinţelor dedesfăşurare a unor procese
ecologice;
- stabilirea şi impunerea măsurilor de
protecţie, conservare, reconstrucţie a
mediului şiretehnologizarea pe baze
ecologice a tuturor activităţilor umane;
- aprecierea reală a raportului cost /
beneficiu a lucrărilor tehnice de conservare
şireconstrucţie a mediului;
- realizarea unui control al eficienţei
măsurilor ce se iau pentru protecţia
mediului.
Conceptul de monitoring derivă din
verbul “to monitor” ce îşi are originea din
verbul latinesc moneo care înseamnă a
atenţiona, a reaminti sau a recomanda.
Cuvântul "monitoring" a devenit un termen
foarte general ce este aplicat aproape
nediscriminatoriu pentru a denumi o mare
diversitate de activităţi.
Printre acestea sunt incluse:
- încercarea de a descrie condiţiile
dominante ale mediului
- apariţia, distribuţia şi intensitatea poluării
-starea biocenozelor sau a populaţiilor unor
specii
- simpla descriere a unor regiuni.
În contextul analizei ecosistemelor
naturale monitoringul semnifică
înregistrarea condiţiilor ambientale şi
8
implică acţiuni ce vizează atenţionarea
(alarmarea) autorităţilor responsabile cu
managementul acestora, ca răspuns la
modificările semnalate.
Întrucât "monitoringul" este un
proces - nu un rezultat - o cale spre
atingerea unui scop şi nu un scop în sine,
nu trebuie să fim surprinşi de această
multitudine de probleme.
Activităţile de monitoring au ca
scop fie asigurarea mijloacelor care să
permită detectarea apariţiei schimbărilor fie
să permită detectarea tendinţei şi măsurarea
mărimii şi a intensităţii acesteia. Această
etapă considerată ca activitatea mai simplă
a procesului de monitoring, este urmată de
o fază mult mai dificilă: evaluarea
semnificaţiei schimbărilor ce s-au produs.
Planurile de monitoring, în special
cele referitoare la schimbările ecologice,
sunt lipsite de criterii adecvate pentru
aprecierea semnificaţiei acestora. În cazul
monitoringului poluanţilor procedurile
relativ bine stabilite se bazează în realitate
pe limitele de acceptabilitate ale unor
concentraţii, ce adesea sunt stabilite în mod
arbitrar.
Pentru dezvoltarea unor strategii de
monitoring mai performante, se impune
adoptarea unor definiţii mai precise şi mai
clare (Hellawell, 1978).
La modul cel mai simplu
monitoringul înseamnă a măsura cu un scop
bine definit unul sau mai mulţi parametri în
dinamica lor spaţiotemporală.
Monitoringul înseamnă - observaţii
sistematice ale dinamicii unui sistem
efectuate în vederea extragerii unor
concluzii statistice destinate reducerii
incertitudinii legate de modul de
funcţionare a sistemului respectiv.
Monitoringul reprezintă un sistem
informaţional menit să evidenţieze efectele
antropogene în mediul ambiant.
Monitoringul este definit ca o
activitate, iniţiată pentru a produce
informaţii specifice asupra caracteristicilor
funcţionării variabilelor de mediu şi a celor
sociale, în timp şi spaţiu.
Monitoringul integrat reprezintă un
sistem complet de achiziţie a datelor
privind calitatea mediului obţinut pe baza
unor măsurători sistematice, de lungă
durată, la un ansamblu de parametri şi
indicatori, cu acoperire spaţială şi
temporală care pot să asigure posibilitatea
controlului poluării (Rojanschi,1995).
Suter (1993) defineşte monitoringul
ca : " măsurarea unor caracteristici ale
mediului pe o perioadă extinsă de timp şi
spaţiu, pentru a determina starea şi
tendinţele lor de evoluţie".
Tehnic, monitoringul tendinţelor
implică luarea în considerare a tuturor
componentelor şi recunoaşterea unui număr
important de supoziţii.
Tendinţa, este componenta
caracterizată prin variaţii continue
(susţinute) şi sistematice pe o lungă
perioadă de timp şi care este asociată unor
cauze ce ţin de aspectele structurale ale
fenomenului în cauză (Dagum
&Dagum,1988).
Monitoringul ecologic " reprezintă
un sistem de supraveghere sistematică
(continuă) a stării ecosferei şi a
componentelor ei, precum şi a reacţiilor
faţă de influenţele antropogene la diferite
nivele de organizare - de la ecosistem până
la ecosferă în întregul ei "
(N.Botnariuc,1987).
Monitoringul integrat al sistemelor
ecologice constă în efectuarea simultană,
permanentă şi în aceleaşi staţii a unor
măsurători la nivelul diferitelor
compartimente ale ecosistemului. În
practică, programul de monitoring este
împărţit în mai multe programe
subcompartimentale ce sunt legate între ele
prin analiza aceloraşi parametri. În acest
sens, este necesar să se identifice o serie de
parametri de stare: de natură biologică
(indicatori biologici), climatici, hidrologici,
pedologici, precum şi indicatorii de calitate
ai apei solului şi ai aerului. Valorile acestora
vor fi determinate după o metodologie
unitară în toate staţiile reţelei de
supraveghere, realizându-se astfel suportul
unui Sistem de Monitoring Integrat, sistem
structurat după normele internaţionale,
parte a sistemelor regionale şi globale de
monitoring.
Prin monitoringul ecologic se
asigură baza de date atât pentru cercetarea
aprofundată (înţelegerea, explicarea şi
evaluarea cuantificată a diferitelor tipuri de
ecosisteme sub aspectul structurii, a
proceselor şi mecanismelor lor de
9
funcţionare în cadrul ierarhiei sistemelor
ecologice), cât şi pentru evaluarea
impactului acţiunilor întreprinse în vederea
menţinerii integrităţii sistemelor ecologice.
De aceea, baza teoretică a monitoringului
ecologic o reprezintă concepţia sistemică
privind organizarea şi funcţionarea
ecosferei.
Din definiţiile prezentate reţinem că
în cadrul oricărui program de monitoring se
efectuează o serie de activităţi ce pot fi
categorisite după cum urmează:
• inspecţie: constă în observaţii calitative şi
cantitative, realizate cu ajutorul unor
proceduri standardizate pentru o perioadă
relativ scurtă, fără a avea o idee
preconcepută asupra rezultatelor ce se vor
obţine
• supraveghere: durata de realizare a
programului de observaţii se prelungeşte în
timp pentru obţinerea unor date seriale ce
încearcă să surprindă variabilitatea şi gradul
de mărime al acesteia în cazul unor
parametri ce vor fi analizaţi ulterior
• monitoring: efectuarea de măsurători pe
perioade îndelungate (zeci de ani) pentru a
stabili concordanţa cu standardele
prestabilite sau a gradului de deviere faţă
de nivelul aşteptat.
De remarcat că dacă în cazul
inspecţiei sau al supravegherii putem vorbi
de o mai mare libertate în realizarea
activităţilor, instituirea sistemului de
monitoring impune un grad considerabil de
disciplină, deoarece standardele sau
normele au fost stabilite sau formulate
înainte de aplicarea în practică a
programului.
Scopul monitoringului
La primul contact cu literatura
existentă în domeniul monitoringului
ecologic/de mediu şi asupra indicatorilor,
este foarte uşor să fim depăşiţi de situaţie.
Deşi este recunoscută importanţa
activităţilor de monitoring, există încă
numeroase programe care sunt aplicate,
fără a fi bine gândite. De aceea este bine să
reţinem următoarele aspecte:
a) trebuie analizată diversitatea de
iniţiative de programe existente în toată
lumea, ca şi domeniul larg de motive care le
justifică
b) trebuie să înţelegem că nu există
un mod de abordare consistent pentru
monitoring şi pentru dezvoltarea numeroase, ele pot fi clasificate în trei
indicatorilor categorii generale:
c) trebuie să recunoaştem faptul că 1. evaluarea eficienţei politicilor sau a
procesul de monitoring este distinct de legislaţiei
elementele unui program de monitoring şi 2. de reglare (funcţia de audit)
că dezvoltarea indicatorilor este doar unul 3. de detectare a schimbărilor incipiente
dintre aceste elemente (rol de alarmare).
d) trebuie să realizăm că “modelele Toate raţiunile specifice menţionate
conceptuale” care ajută la realizarea au ca ultim scop măsurarea progresului
indicatorilor evoluează permanent către obiectivele societăţii şi ne pot arăta
favorizând realizarea obiectivelor dacă suntem pe drumul cel bun şi cât de
programului. repede ne mişcăm într-o direcţie pozitivă.
De ce este necesar monitoringul,
cine investeşte timp şi resurse pentru
monitoring ? este prima întrebare care ne
vine mai întâi în minte. Dacă iniţial una
dintre raţiunile fundamentale era aceea de a
măsura impactul poluării asupra mediului,
ulterior programele de monitoring s-au
extins la un spectru larg de probleme legate
de influenţele antropice. Unele dintre
măsurători pot prezice sau pot constitui un
semnal de avertizare asupra unor probleme,
înainte de a se produce unele deteriorări
ireversibile. În alte cazuri, reglementările şi
legislaţia impun monitoringul pentru a
garanta guvernanţilor şi publicului că nu
apar efecte negative.
Monitoringul mai este realizat din
pur interes ştiinţific şi pentru a înţelege
comportamentul şi modul de funcţionare al
ecosistemelor.
Informaţia astfel obţinută ne ajută
să anticipăm şi să acţionăm în momentul
schimbărilor. Pentru acele schimbări ce s-au
mai produs, un program de monitoring
poate să identifice sau să diagnosticheze
problemele şi sursa lor.
Monitoringul fluxurilor şi al
tendinţelor poate stabili cantităţile
accesibile şi poate sugera strategiile ce
trebuie urmate pe termen lung.
Recent, scopul programelor de
monitoring s-a extins şi mai mult,
informaţia obţinută fiind folosită în procesul
de luare a unor decizii avizate, precum şi la
aprecierea succesului acţiunilor de
management. Monitoringul "stării generale
de sănătate şi integritate a ecosistemelor"
ne permite să estimăm bunăstarea
sistemului şi capacitatea lui viitoare de a
suporta stresul.
Deşi motivele pentru instituirea
programelor de monitoring sunt foarte
10
 Bibliografie

https://ro.wikipedia.org/wiki/Rețea_
neurală

https://www.code-it.ro/introducere-
in-retele-neuronale-teorie-si-aplicatii/

http://scs.etc.tuiasi.ro/iciocoiu/cour
ses/DSP/course5/capitol2_NN.pdf

http://www.bel.utcluj.ro/dce/didacti
c/sisd/SISD_curs_6_Retele_Neuronale_Art
ificiale.pdf

http://inf.ucv.ro/documents/rstoean/
4.%20Retele%20neuronale.pdf

11