Nghiên cứu phương pháp xử lý tín hiệu số hỗ trợ dự báo dữ liệu cho ngành tài nguyên môi trường

Bài viết Nghiên cứu phương pháp xử lý tín hiệu số hỗ trợ dự báo dữ liệu cho ngành tài nguyên môi trường phân tích và đề xuất sử dụng mạng nơron MLP. Các phương pháp xử lý tín hiệu số nêu trên sẽ hỗ trợ cho việc chỉnh biên dữ liệu trong quá khứ và dự báo dữ liệu trong tương lai cho một số lĩnh vực của ngành tài nguyên môi trường với một sai số cho phép.
Nội dung trích xuất từ tài liệu:
Nghiên cứu phương pháp xử lý tín hiệu số hỗ trợ dự báo dữ liệu cho ngành tài nguyên môi trường NGHIÊN CỨU PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU SỐ HỖ TRỢ DỰ BÁO DỮ LIỆU CHO NGÀNH TÀI NGUYÊN MÔI TRƯỜNG Trần Cảnh Dương Trường Đại học Tài nguyên và Môi trường Hà Nội Tóm tắt Hiện nay, ngành tài nguyên môi trường có rất nhiều công cụ và phần mềm dự báo hiện đại,tuy nhiên, dữ liệu tại một số lĩnh vực còn thiếu, đặc biệt trong thời gian trước. Nội dung bài báo đềcập đến việc phân tích, lập trình trong phương pháp nội suy hai chiều, nội suy ba chiều và phươngpháp làm nhẵn tín hiệu. Khi sử dụng phương pháp bình phương sai phân bé nhất, ta xác định đượchàm số từ các điểm đo rời rạc. Nội dung bài báo bao gồm việc phân tích và đề xuất sử dụng mạngnơron MLP. Các phương pháp xử lý tín hiệu số nêu trên sẽ hỗ trợ cho việc chỉnh biên dữ liệu trongquá khứ và dự báo dữ liệu trong tương lai cho một số lĩnh vực của ngành tài nguyên môi trườngvới một sai số cho phép. Từ khóa: Dự báo dữ liệu; Làm nhẵn tín hiệu; Mạng nơron; MLP; Ngoại suy; Nội suy; Trọngsố; Xử lý tín hiệu số; Sai số cho phép. Abstract Research for data signal processing methods supporting data forecast for resources and enviromental field Nowadays, the field of natural resources and environment has a lot of modern forecastingtools and software. However, data in some areas is still lacking, especially in the previousperiod. The content of the article deals with the analysis and programming in two-dimensionalinterpolation, three-dimensional interpolation and signal smoothing method. When using themethod of least squares, we can determine the function from discrete measurement points.The result includes the analysis and proposal of using the MLP neural network. The above-mentioned digital signal processing methods will support the correction of past data andforecast data in the future for some areas of the natural resources and environment field withan allowed error. Keywords: Forecast data; Smooth the signal; Neural network; MLP (MultiplayerPerceptron); Extrapolaion; Interpolation; Weight; Process digital signal; Allowed error. 1. Đặt vấn đề Ngày nay, các phương pháp dự báo đã được đưa ra dựa trên mô hình vật lý và toán học. JasonBrownlee đã đề cập phương pháp thiết kế bộ thử nghiệm để đánh giá mô hình MLP cho dự báochuỗi thời gian; các thiết kế thử nghiệm có hệ thống cho các tế bào thần kinh và cấu hình độ trễkhác nhau; cách diễn giải kết quả và sử dụng chẩn đoán để tìm hiểu thêm về các mô hình hoạt độngtốt [4]. Mạng nơron nhân tạo (ANN), cây quyết định (DT), rừng ngẫu nhiên (RF) và máy vectơhỗ trợ (SVM) là những phương pháp được sử dụng để nghiên cứu điển hình về upo đất ngập nướcở Hàn Quốc [3]. Phương pháp ô vuông, phương pháp Rosenbrock, phương pháp Nelder-Mead,phương pháp Hooke-Jeeves, giải thuật di truyền, phương pháp SCE để tìm thông số tối ưu, đượcđề cập trong một đề tài cơ sở cấp Viện Cơ học - Viện Hàn lâm Khoa học và Công nghệ Việt Nam.Tác giả đã xây dựng phần mềm dự báo lũ bằng mô hình thủy văn, thông số tập trung có sử dụngphương pháp ước tính thông số tối ưu [5]. Mạng MLP (Multiplayer perceptron) có nhiều ứng dụngđể dự báo. Trữ lượng gió, đỉnh và đáy đồ thị phụ tải có thể được ước lượng bằng mạng MLP [7]. Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên, 217 bảo vệ môi trường và phát triển bền vữngTa có thể ước lượng thông số tài nguyên và môi trường theo thời gian đối với các địa điểm có dữliệu tương quan bằng cách ứng dụng mạng nơron để xử lý tín hiệu số [8]. Hiện nay, ngành tài nguyên môi trường có nhiều công cụ và phần mềm dự báo hiện đại, tuynhiên, dữ liệu của một số lĩnh vực còn thiếu, đặc biệt là trong khoảng thời gian trước. Để thực hiệndự báo tốt cần có đầy đủ dữ liệu hiện tại và quá khứ. Bài báo này đề xuất phương pháp xử lý tínhiệu số để xác định dữ liệu trong quá khứ và dự báo dữ liệu trong tương lai cho ngành tài nguyênmôi trường với một sai số cho phép. 2. Cơ sở lý thuyết và phương pháp nghiên cứu 2.1. Phương pháp nội suy Các phép đo thông thường được thực hiện tại những thời điểm gián đoạn nhưng khi chúng tacần sử dụng chúng thì cần cả các giá trị nằm giữa các giá trị đo. Phương pháp nội suy (interpolation)sẽ cung cấp các giá trị nằm giữa 02 thời điểm [6]. Trong MATLAB, lệnh interpi (x_value, y_value,x_processing, method) với i = 1,2,3 tương ứng với phép nội suy một chiều, hai chiều hoặc bachiều. Khi tiến hành phép nội suy, số liệu cần được sắp xếp theo trình tự tọa độ tăng dần. 2.2. Làm nhẵn tín hiệu Trong quá trình đo đạc các tham số kỹ thuật dữ liệu, các lần đo có thể khác nhau do sự ảnhhưởng của các yếu tố khách quan của môi trường. Do đó, việc chuẩn hóa kết quả đo là điều cần thiết.Ta cần loại bỏ các yếu tố khách quan, gây ảnh hưởng đến kết quả đo. Việc làm nhẵn tín hiệu sẽ đápứng được yêu cầu thực tế. Giả sử tín hiệu S (n) bị ảnh hưởng bởi các yếu tố khách quan mà ta có thểgọi nó là tạp âm ngẫu nhiên d (n). Như vậy, kết quả đo được sẽ là tín hiệu x (n) được xác định như sau: x(n)=S(n)+d(n) Ta cần tìm tín hiệu y (n) có dạng và giá trị gần nhất với tín hiệu ban đầu S (n). Ta xác địnhmột đầu ra có giá trị trung bình của một số mẫu đo xung quanh mẫu tại thời điểm n. Ví dụ, ta cóthể lấy trung bình 04 mẫu đầu vào để tạo một đầu ra y (n). y(n)=[x(n-1)+x(n)+x(n+1)+x(n+2)]/4 2.3. Phương pháp bình phương sai phân bé nhất Khái niệm bình phương sai phân bé nhất (Least squares - LQ) gồm nhiều phương pháp tìmtối ưu khác nhau. Ta cần tìm giá trị cực tiểu của tổng các giá trị sai số bình phương. Bằng cách sử dụng ...