Xreferat.com » Рефераты по физике » Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

какие признаки использовать и сколько и какие наблюдения надо провести.

Выбор признаков, по крайней мере первоначальный, осуществляется эвристически на основе имеющегося опыта, который может подсказать, какие признаки являются наиболее важными. Сначала следует включить все признаки, которые, по мнению аналитиков или экспертов, являются существенными, на последующих этапах это множество будет сокращено.

Нейронные сети работают с числовыми данными, взятыми, как правило, из некоторого ограниченного диапазона. Это может создать проблемы, если значения наблюдений выходят за пределы этого диапазона или пропущены.

Вопрос о том, сколько нужно иметь наблюдений для обучения сети, часто оказывается непростым. Известен ряд эвристических правил, которые устанавливают связь между количеством необходимых наблюдений и размерами сети. Простейшее из них гласит, что количество наблюдений должно быть в 10 раз больше числа связей в сети. На самом деле это число зависит от сложности того отображения, которое должна воспроизводить нейронная сеть. С ростом числа используемых признаков количество наблюдений возрастает по нелинейному закону, так что уже при довольно небольшом числе признаков, скажем 50, может потребоваться огромное число наблюдений. Эта проблема носит название «проклятие размерности».

Для большинства реальных задач бывает достаточным нескольких сотен или тысяч наблюдений. Для сложных задач может потребоваться большее количество, однако очень редко встречаются задачи, где требуется менее 100 наблюдений. Если данных мало, то сеть не имеет достаточной информации для обучения, и лучшее, что можно в этом случае сделать, – это попробовать подогнать к данным некоторую линейную модель.

После того как определено количество слоев сети и число нейронов в каждом из них, нужно назначить значения весов и смещений, которые минимизируют ошибку решения. Это достигается с помощью процедур обучения. Путем анализа имеющихся в распоряжении аналитика входных и выходных данных веса и смещения сети автоматически настраиваются так, чтобы минимизировать разность между желаемым сигналом и полученным на выходе в результате моделирования. Эта разность носит название ошибки обучения. Таким образом, процесс обучения – это процесс подгонки параметров той модели процесса или явления, которая реализуется нейронной сетью. Ошибка обучения для конкретной конфигурации нейронной сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения выходных значений с желаемыми, целевыми значениями. Эти разности позволяют сформировать так называемую функцию ошибок (критерий качества обучения). В качестве такой функции чаще всего берется сумма квадратов ошибок. При моделировании нейронных сетей с линейными функциями активации нейронов можно построить алгоритм, гарантирующий достижение абсолютного минимума ошибки обучения. Для нейронных сетей с нелинейными функциями активации в общем случае нельзя гарантировать достижения глобального минимума функции ошибки.

При таком подходе к процедуре обучения может оказаться полезным геометрический анализ поверхности функции ошибок. Определим веса и смещения как свободные параметры модели и их общее число обозначим через N; каждому набору таких параметров поставим в соответствие одно измерение в виде ошибки сети. Тогда для всевозможных сочетаний весов и смещений соответствующую ошибку сети можно изобразить точкой в ЛЧ-1 – мерном пространстве, а все такие точки образуют некоторую поверхность, называемую поверхностью функции ошибок. При таком подходе цель обучения нейронной сети состоит в том, чтобы найти на этой многомерной поверхности глобальный минимум.

В случае линейной модели сети и функции ошибок в виде суммы квадратов такая поверхность будет представлять собой параболоид, который имеет единственный минимум, и это позволяет отыскать такой минимум достаточно просто.

В случае нелинейной модели поверхность ошибок имеет гораздо более сложное строение и обладает рядом неблагоприятных свойств, в частности может иметь локальные минимумы, плоские участки, седловые точки и длинные узкие овраги.

Определить глобальный минимум многомерной функции аналитически невозможно, и поэтому обучение нейронной сети, по сути дела, является процедурой изучения поверхности функции ошибок. Отталкиваясь от случайно выбранной точки на поверхности функции ошибок, алгоритм обучения постепенно отыскивает глобальный минимум. Как правило, для этого вычисляется градиент (наклон) функции ошибок в данной точке, а затем эта информация используется для продвижения вниз по склону. В конце концов алгоритм останавливается в некотором минимуме, который может оказаться лишь локальным минимумом, а если повезет, то и глобальным.

Таким образом, по существу алгоритмы обучения нейронных сетей аналогичны алгоритмам поиска глобального экстремума функции многих переменных.

Итак, преимущества нейросетевого подхода заключаются в следующем:

• параллелизм обработки информации;

• единый и эффективный принцип обучения;

• надежность функционирования;

• способность решать неформализованные задачи.


3. Моделирование динамики яркостной температуры методом инвариантных погружений и нейронных сетей


Получение экспериментальных данных на производственной практике


Одним из типов исследований методом радиометрического дистанционного зондирования земли является полевой эксперимент. Радиометрический комплекс установленный на агробиологической станции Омского Государственного Педагогического Университета состоит из трех радиометров частот 2,73Gh, 6,0Gh, 8,15Gh с соответственной длинной волны 11 см, 5 см и 3,6 см. (рис. 1, рис. 2), устанавливаемых на передвижном штативе (раме), передвижной лаборатории и 6 экспериментальных участков размером 1,4 м * 1,4 м (рис. 3).


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетейМоделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 3. Схема передвижного штатива с радиометрами


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 4. Передвижение рамы с радиометрами с одного участка на другой

Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 5. Экспериментальные участки


Конструкция и размеры передвижного штатива (рамы) были выбраны исходя из удовлетворения следующим критериям [1]:

Эталоны и исследуемые участки должны находиться в дальней зоне антенн радиометров

Ширина главного лепестка по уровню 0,5 дб должна быть меньше геометрических размеров, эталонов и участков.

Угол наклона антенн должен составлять 100

Участки №1, №2, №3, №4 являются экспериментальными участками, на которых расположены следующие виды почв: земля, загрязненная нефтью, песок, глина, чернозем, соответственно. На участке №5 расположен лист металла, а на участке №6 – емкость с водой. Участки №5 и №6 используются для калибровки оборудования, а измерения снятые с этих участков являются опорной точкой (калибровкой) для расчета яркостных температур почвы участков №1 – №4.

Штатив (рама) передвигается с одного на другой участок, измерения проводятся последовательно радиометрами с частотой 5 Gh, затем 11 Gh, затем 3,6 Gh.

При калибровке радиометров используются следующие эталоны излучения: излучения неба, отраженное металлическим листом, излучение гладкой водной поверхности, излучение поглощающего покрытия. Размеры эталонов должны превышать размеры пятна, излучающего в главный лепесток, чтобы дифракционными явлениями на краях образцов можно пренебречь.

В ходе эксперимента замерялись: время, температура окружающей среды, температура слоя почвы на глубине 0,5 см и 2 см, а также измерялась яркостная температура почв.

Дважды в день брались пробы почв на влажность: поверхностный слой 0–1 см, 1–2 см, и 3–4 см.

Исследуемыми объектами являлись участки №2 и №3, песчаная и глинистая почва соответственно (рис. 4; рис. 5).


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 6. Песчаная почва. Участок №2


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 7. Средний суглинок. Участок №3


Из полученных данных видно, что почти одинаковые в оптическом диапазоне почвы, кардинально отличаются по физическим свойствам.

Таблица 1. Гранулометрический состав почв (% от массы сухой почвы)


Размер фракций, мм
Почва 1–0,25 0,25–0,05 0,05–0,01 0,01–0,005 0,005–0,001 <0,001 <0,01
Песок(№2) 36,1 43,4 11,4 5,5 1,4 0,9 1,3
Глина (№3) 0,80 27,24 28,03 3,86 5,22 34,80 43,88

Был проведен цикл измерений в течении четырех дней яркостной температуры почвы «сухая-влажная-сухая». Цикл измерений состоит из 39 точек, для трех радиометров разной частоты (и соответственно разной глубины проникновения в почву). Измерения на участках проводятся между двумя опорными точками: калибровкой металлом и водой.


Постановка задачи. Поиск алгоритма решения


Задачей построенной нейронной сети должно быть восстановление параметров почв по экспериментальным данным значения яркостной температуры с радиометров различной частоты в момент экспериментального получения проб влажности почв.

Для моделирования методом Нейронных сетей используются несколько программ, среди них прикладной пакет для MathLab 6.1, Statistica Neural NetWorks, NNMath 3.1 и др. Будем использовать программы MathLab 6.1, Statistica Neural NetWorks, выбранные за простоту работы и возможности настройки нужной модели.

В общем случае, для получения алгоритмов и моделей выполняется следующее:

Определяется изучаемый класс объектов (представленный входными и выходными данными).

Для этого класса выбирается настраиваемая модель (модель, параметры которой можно изменить), удовлетворяющая определенным критериям и требованиям.

Выбирается оценка качества идентификации (потери, характеризующие различие между выходными величинами объекта и модели).

Формируется алгоритм идентификации, который, изменяя параметры модели, минимизирует потери.

Выбор и разработка моделей и алгоритмов требуют серьезных усилий для экспериментального исследования и сравнения с уже ранее предложенными. В то же время это предоставляет большую свободу в выборе направления в науке, знания которой будут привлекаться для создания новых моделей и алгоритмов.

Будем пользоваться двумя подходами в решении поставленной задачи:

Используем модель двухслойного персептрона, и поэтапно увеличиваем количество нейронов на каждом слое с 3 до 5, параметры которых оптимально подобраны в исследовании[15].

Функция автоматического подбора параметров, которая присутствует в программе Statistica Neural NetWorks и работает на основе анализа количества и вида входных и выходных данных.


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 8. Двухслойный персептрон с одним скрытым слоем и 3 нейронами на каждом слое

Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 9. Двухслойный персептрон с одним скрытым слоем и 5 нейронами на каждом слое


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 10. Нейронная сеть построенная методом автоматического подбора параметров


Радиометрическое исследование природной среды и восстановление требуемых параметров выполняется в работах. С учетом предлагаемой в рефракционной модели КДП почв связь между радиоизлучательной способностью почвогрунта и его КДП может быть разрешена в явном виде относительно объемной влажности. При этом решение содержит ряд априорно задаваемых параметров. Входными данными будут являться яркостные температуры, полученные при теоретическом расчете методом инвариантного погружения. Выходными данными являться параметры почв: объемная влажность, уровень слоя, и КДП почвы (при анализе которой можно определить класс почвы).

В решении поставленной задачи будем считать отсутствие как шума, создаваемого растительностью (т.к. участки в эксперименте были подготовлены и очищены от растительности), так и техногенного шума. При наличии же таковых, представляется возможным создание комплекса нейронных сетей, одни из которых будут отвечать за отчистку радиометрического сигнала от шумов, другая – решать основную задачу, в противном случае целесообразно использование вейвлет фильтров для отчистки сигнала.


Метод инвариантного погружения. Теоретический расчет. Режим обучения


Метод инвариантного погружения берет за основу слоистость почвы и различное влагосодержание в различных слоях почвы. Слоистая модель по Башаринову А.Е.

Данная модель содержит следующие допущения:

Излучение считается некогерентным.

Нет ослабления излучения между поверхностью и антенной.

Яркость неба считается изотропной и имеет значение 3К.

Влажность и температура считаются функциями только глубины.

Диэлектрические и тепловые свойства почв постоянны в слоях определённой толщины.

Поверхность почвы считается гладкой. (растительность отсутствует)

Также будем считать, что диэлектрическая проницаемость имеет комплексный вид, тем самым рассмотрим наиболее общий случай.

С увеличением глубины, диэлектрическая проницаемость, а также влажность увеличивается.

Эта модель рассматривает тепловое излучение слоисто-неоднородных неизотермических детерминированных сред с произвольной величиной поглощения. Диэлектрическая проводимость имеет общий комплексный вид:


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей


Пусть температура слоёв имеет следующую зависимость:


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей,


где z – глубина почвенных слоёв

Для расчета КДП почвы (e) в работе используется рефракционная модель диэлектрических свойств смесей. Она представляет собой описание влажностной зависимости диэлектрической проницаемости почв. Модель является наиболее успешной при работе в диапазонах СВЧ, учитывает двойственность диэлектрических свойств почв, определяемых содержанием связанной и свободной воды [15].


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 11. Слоистая модель по Башаринову А.Е.

Данная модель учитывает связь свободных и связанных молекул воды в почвах.

Для обучения нейронной сети были использованы данные теоретических расчетов по программе на базе Microsoft Excel, рассчитывающей яркостную температуру по данным КДП полученным, при моделировании методом инвариантного погружения в лаборатории Радиометрического зондирования Земли Омского Государственного Педагогического Университета на основе исследования [15].

Коэффициент диэлектрической проницаемости почв также используется в режиме обучения и восстанавливается по яркостным температурам радиометров различной частоты в нейронной сети с целью классификации типа почв.


Таблица 2. Пример обучающей выборки для соотношений параметров песчаной почвы и яркостных температур при различных частотах радиометра

W, влажность Е, КДП почвы dz, глубина погружения Tf, яркост. Темп. для f=2,73 Gh Tf, яркост. Темп. для f=6,0 Gh Tf, яркост. Темп. для f=8,15 Gh
0,02 2,88 0,50 291,57 291,63 291,68
0,04 3,20 0,75 291,15 291,18 291,23
0,06 3,54 1,00 289,89 289,85 289,85
0,08 4,07 1,25 288,61 288,46 288,37
0,10 4,83 1,50 288,47 288,32 288,22
0,12 5,67 1,75 288,25 288,11 288,01
0,14 6,56 2,00 287,98 287,84 287,74
0,16 7,53 2,25 287,66 287,54 287,44
0,18 8,56 2,50 287,32 287,20 287,10
0,20 9,65 2,75 286,95 286,83 286,75
0,22 10,82 3,00 286,56 286,45 286,37
0,24 12,04 3,25 286,15 286,05 285,97
0,26 13,34 3,50 285,73 285,64 285,56
0,28 14,70 3,75 285,30 285,21 285,14
0,30 16,12 4,00 284,86 284,78 284,71
0,32 17,61 4,25 284,41 284,34 284,28
0,34 19,17 4,50 283,96 283,89 283,83
0,36 20,79 4,75 283,50 283,43 283,38
0,38 22,48 5,00 283,04 282,98 282,92
0,40 24,24 5,25 280,48 280,11 279,82

Количество обучающих данных было 120 измерений, что в 5 крат больше количества связей в двухслойном персептроне с 3 нейронами на каждом слое. Количество эпох обучения равнялось 100 в один период установления весов.


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 12. Расчет весов в зависимости от количества эпох при обучение нейронной сети, созданной методом автоматического подбора параметров


Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 13. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом обратного распространения ошибки

Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 14. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом сопряженного градиента


Из рисунков видно, что наиболее быстро «обучаемой» нейронной сетью, является двухслойный персептрон, устанавливающий параметры весов методом сопряженного градиента. При увеличении количества нейронов на слоях нейронной сети период становления увеличивается во всех вышеприведенных методах обучения нейронной сети.


Решение поставленной задачи на экспериментальных данных методом нейронных сетей


Из экспериментальных данных полученных на производственной практике делается тестовая выборка яркостных температур трех радиометров в момент получения проб влажности почв. Таким образом для тестирования нейронной сети у нас будут два эталона: теоретический расчет яркостной температуры по методу инвариантного погружения на основе экспериментальных данных влажности почв и экспериментальные данные влажности почв.

Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Рис. 15. Критические или противоречивые данные


Ошибки и фиксации противоречий возникали при восстановлении параметров почв по яркостным температурам, на тех данных, которые были получены в момент эксперимента, когда один из радиометров отключался или выдавал нечеткий результат.

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.

Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные, в среднем, с точностью ±5К.


Таблица 3

Почва Данные полученные экспериментальным путем Данные полученные сетодом нейронных сетей

Вл-ть Гл-на КДП Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15 Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15
Глина 0,45714 1,00 29,614 - 142 153 150 139 155

0,41086 2,00 25,218 - 145 153 151 148 154

0,398 3,00 24,059 - 145 153 152 147 148

0,19886 1,00 9,590 151 142 160 154 140 158

0,29657 1,00 15,873 176 160 178 178 165 183

0,17143 2,00 8,109 181 169 182 179 168 181

0,27314 3,00 14,223 179 152 174 184 147 176

0,26757 1,00 13,844 196 174 199 195 174 200

0,222 2,00 10,936 190 175 196 185 177 199

0,31871 3,00 17,515 187 194 203 187 195 205

0,29629 1,00 15,852 179 - 212 181 198 210
Песок 0,32057 1,00 17,656 - 199 225 194 201 230

0,27286 2,00 14,204 - 202 226 193 200 221

0,31829 3,00 17,483 - 207 224 199 212 224

0,24457 1,00 12,333 214 210 231 212 205 233

0,08486 2,00 4,249 220 223 235 225 221 234

0,17657 1,00 8,377 214 210 231 209 215 226

0,17371 2,00 8,228 220 223 235 220 222 235

0,19 3,00 9,098 216 203 219 218 198 221

0,09714 1,00 4,721 230 216 240 234 216 241

0,12057 2,00 5,692 224 221 240 228 223 243

0,11571 3,00 5,483 208 239 245 205 240 247

0,39314 1,00 23,628 204 - 241 204 216 246

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.

Получаем на выходе из нейронной сети данные об объемной влажности почв определенные, в среднем, с точностью ±0,04.


Таблица 4

Почва Данные полученные экспериментальным путем Данные полученные сетодом нейронных сетей

Вл-ть Гл-на КДП Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15 Вл-ть Гл-на КДП
Глина 0,45714 1,00 29,614 - 142 153 0,965 0,250 31,614

0,41086 2,00 25,218 - 145 153 0,836 3,750 26,218

0,398 3,00 24,059 - 145 153 0,976 1,500 22,059

0,19886 1,00 9,590 151 142 160 0,229 0,500 7,590

0,29657 1,00 15,873 176 160 178 0,317 1,500 17,873

0,17143 2,00 8,109 181 169 182 0,121 1,750 7,109

0,27314 3,00 14,223 179 152 174 0,323 2,500 16,223

0,26757 1,00 13,844 196 174 199 0,258 1,000 14,844

0,222 2,00 10,936 190 175 196 0,202 2,500 13,936

0,31871 3,00 17,515 187 194 203 0,319 3,250 19,515

0,29629 1,00 15,852 179 - 212 0,646 3,750 23,852
Песок 0,32057 1,00 17,656 - 199 225 0,731 1,500 19,656

0,27286 2,00 14,204 - 202 226 0,403 4,500 12,204

0,31829 3,00 17,483 - 207 224 0,838 1,500 17,483

0,24457 1,00 12,333 214 210 231 0,225 0,500 14,333

0,08486 2,00 4,249 220 223 235 0,105 1,500 3,249

0,17657 1,00 8,377 214 210 231 0,127 1,500 6,377

0,17371 2,00 8,228 220 223 235 0,174 1,750 8,228

0,19 3,00 9,098 216 203 219 0,210 2,500 11,098

0,09714 1,00 4,721 230 216 240 0,137 1,000 5,721

0,12057 2,00 5,692 224 221 240 0,161 2,500 8,692

0,11571 3,00 5,483 208 239 245 0,086 3,250 7,483

0,39314 1,00 23,628 204 - 241 0,793 4,500 25,628

В обученную нейронную сеть двухслойный персептрон при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.

Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные с точностью ± 3К для двухслойного персептрона с 3 нейронами на каждом слое и ± 2К для двухслойного персептрона с 5 нейронами на каждом слое.


Таблица 5

Почва Данные полученные экспериментальным путем Данные полученные сетодом нейронных сетей

Вл-ть Гл-на КДП Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15 Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15
Глина 0,45714 1,00 29,614 - 142 153 150 139 155

0,41086 2,00 25,218 - 145 153 151 148 154

0,398 3,00 24,059 - 145 153 152 147 151

0,19886 1,00 9,590 151 142 160 154 140 158

0,29657 1,00 15,873 176 160 178 178 162 180

0,17143 2,00 8,109 181 169 182 179 168 181

0,27314 3,00 14,223 179 152 174 181 150 176

0,26757 1,00 13,844 196 174 199 195 174 200

0,222 2,00 10,936 190 175 196 188 177 199

0,31871 3,00 17,515 187 194 203 187 195 205

0,29629 1,00 15,852 179 - 212 181 198 210
Песок 0,32057 1,00 17,656 - 199 225 194 201 227

0,27286 2,00 14,204 - 202 226 193 200 224

0,31829 3,00 17,483 - 207 224 199 209 224

0,24457 1,00 12,333 214 210 231 212 208 233

0,08486 2,00 4,249 220 223 235 222 221 234

0,17657 1,00 8,377 214 210 231 212 212 229

0,17371 2,00 8,228 220 223 235 220 222 235

0,19 3,00 9,098 216 203 219 218 201 221

0,09714 1,00 4,721 230 216 240 234 216 241

0,12057 2,00 5,692 224 221 240 228 223 243

0,11571 3,00 5,483 208 239 245 205 240 247

0,39314 1,00 23,628 204 - 241 204 216 243

В обученную нейронную сеть двухслойный персептрон при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.

Получаем на выходе из нейронной сети данные об объемной влажности почв определенные с точностью ± 0,03 для двухслойного персептрона с 3 нейронами на каждом слое и ± 0,02 для двухслойного персептрона с 5 нейронами на каждом слое.


Таблица 6

Почва Данные полученные экспериментальным путем Данные полученные сетодом нейронных сетей

Вл-ть Гл-на КДП Яр.Т. f=6,0 Яр.Т. f=2,73 Яр.Т. f=8,15 Вл-ть Гл-на КДП
Глина 0,45714 1,00 29,614 - 142 153 0,767 4,500 26,614

0,41086 2,00 25,218 - 145 153 0,201 2,250 18,218

0,398 3,00 24,059 - 145 153 0,968 2,500 6,059

0,19886 1,00 9,590 151 142 160 0,229 0,500 7,590

0,29657 1,00 15,873 176 160 178 0,317 1,500 17,873

0,17143 2,00 8,109 181 169 182 0,151 1,750 7,109

0,27314 3,00 14,223 179 152 174 0,293 3,500 12,223

0,26757 1,00 13,844 196 174 199 0,258 1,250 13,844

0,222 2,00 10,936 190 175 196 0,202 2,750 12,936

0,31871 3,00 17,515 187 194 203 0,319 3,500 18,515

0,29629 1,00 15,852 179 - 212 0,516 2,500 28,852
Песок 0,32057 1,00 17,656 - 199 225 0,831 0,500 19,656

0,27286 2,00 14,204 - 202 226 0,503 4,500 12,204

0,31829 3,00 17,483 - 207 224 0,038 3,000 19,483

0,24457 1,00 12,333 214 210 231 0,225 1,500 10,333

0,08486 2,00 4,249 220 223 235 0,105 1,750 2,249

0,17657 1,00 8,377 214 210 231 0,157 0,500 10,377

0,17371 2,00 8,228 220 223 235 0,174 2,000 7,228

0,19 3,00 9,098 216 203 219 0,210 3,500 7,098

0,09714 1,00 4,721 230 216 240 0,107 1,250 4,721

0,12057 2,00 5,692 224 221 240 0,131 2,750 7,692

0,11571 3,00 5,483 208 239 245 0,086 3,500 6,483

0,39314 1,00 23,628 204 - 241 0,793 3,250 15,628

Полученные результаты


В процессе обучения ИНС формирует некоторое скрытое, неявное знание о способе решения поставленной задачи, которое заложено в виде значений весов ее адаптивных параметров. Если требуется лишь получение результата, удовлетворяющего требованиям поставленной задачи, сама ИНС и является конечным решением задачи.


Таблица 7. Погрешность определения данных методом нейронных сетей различных моделей

Погрешность в получении результатов НС, созданная методом автоматического подбора параметров Двухслойный персептрон


С тремя нейронами на каждом слое С пятью нейронами на каждом слое
Яркостной температуры ± 5 ± 3 ± 2
Влажность почв ± 0,04 ± 0,03 ± 0,02

Таблица 8. Скорость обучения нейронных сетей различных моделей

Модель ИНС НС, созданная методом автоматического подбора параметров Двухслойный персептрон


Обучение методом обратного распространения ошибки Обучение методом сопряженного градиента
Скорость обучения ИНС 150 эпох 3500 эпох 25 эпох

Из приведенных выше таблиц видно что наиболее оптимальной моделью точной моделью для решения данной задачи является двухслойный персептрон с 5 нейронами на каждом слое, а оптимальным методом обучения является метод сопряженного градиента.

Из полученных данных наиболее достоверными считаются результаты, определенные с точностью ±2К для Tя и ±0.02 для W и Wsl. Обученная ИНС, показывающая наилучшие результаты на тестовой выборке и имеющая необходимый набор служебных процедур для работы с измеряемыми данными и выводом искомых параметров, является в итоге рабочим нейросетевым решателем[15].

Полученная погрешность объясняется следующими допущениями:

Недостаточный объем данных в режиме обучения

Трехканальность входных и выходных данных

Неучет шероховатости поверхности

Неучет динамики температуры внешней среды

Пренебрежение шумом растительности

Пренебрежение техногенным шумом


Выводы


Построены нейронные сети для определения параметров почв с погрешностью в 14–19% и классификации почв на основе разработанного нейросетевого способа определения неоднородности распределения влаги в приповерхностном слое почвы по данным многоканальных измерений в СВЧ-диапазоне [15].

Наиболее удачной в решении как прямой так и обратной задачей можно считать двухслойный персептрон с 5 нейронами на каждом слое (дальнейшее увеличение количества нейронов приводит к ухудшению результатов из-за большого количества связей и малого объёма входных данных в режиме обучения).

Разработанные нейронные сети могут использоваться при определении параметров почв в приповерхностном слое (5 см) при трехканальном радиометрическом зондировании земли, а также классификация типа почв идентичных в оптическом диапазоне.

В настоящее время перспективы дальнейшего развития данных методик обработки данных радиометрического зондирования не вызывает сомнения. Сейчас уже работают комплексы нейронных сетей по определению: влажности, температуры почв.

Серия работ Л.Е. Назарова посвящена вопросам нейросетевой классификации земных объектов (лесов, водоемов).

Разработана методика нейросетевого определения участков лесного пожара по данным RADARSAT-1.


Список литературы


Под ред. акад. РАН В.А. Садовничьего. Космическое землеведение. – М.: Изд-во МГУ, 1992. – Ч. 1. – 269 с.; 1998. – 4.2. – 571 с.

Башаринов А.Е., Гурвич А.С., Егоров СТ. Радиоизлучение Земли как планеты. – М.: Наука, 1974. – 207 с.

Шутпко A.M. СВЧ-радиометрия водной поверхности и почвогрунтов. – М.: Наука, 1986. – 190 с.

Арманд Н.А., Крапивин В.Ф., Мкртчян Ф.А. Методы обработки данных радиофизического исследования окружающей среды. – М.: Наука, 1987. – 270 с.

Шанда Э. Физические основы дистанционного зондирования: Пер. с англ. – М.: Недра, 1990. – 208 с.

Кондратьев К.Я. Ключевые проблемы глобальной экологии // Теоретические и общие вопросы географии. – М.: ВИНИТИ, 1990. – 454 с. – (Итоги науки и техники; Т. 9.)

Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. – М.: Наука, 1990. – 247 с.

Сост. М. Назиров, А.П. Пичугин, Ю.Г. Спиридонов. Под ред. Л.М. Митника, СВ. Викторова. Радиолокация поверхности Земли из космоса. – Л.: Гидрометеоиздат, 1990. – 200 с.

Баранов Д.В., Бобров П.П. Моделирование и экспериментальное исследование собственного радиотеплового излучения влажных почв. // Дипломная работа на соискание степени бакалавра радиофизики – Омск – 2006 – 30 с.

Караваев Д.М., Щукин Г.Г. СВЧ-радиометрические исследования влагозапаса атмосферы и водозапаса облаков. Тезисы докладов региональной XXIII конференции по распространению радиоволн. С-Петербург, 1997, с. 76.

«Потенциальные возможности бистатического радиометра для наблюдения поверхности Земли с высоким разрешением» // А.П. Верещак, В.В. Пискорж. – Журнал Радиоэлектроники – 2003 – №3

Баррет Э., Куртис Л. «Введение в космическое землеведение.» – пер. с англ. – М – Прогресс – 1979 г.

«Наблюдение океана из космоса при помощи микроволновых радиометров» Ю.А. Кравцов // Соросовский Образовательный Журнал – 1999 – (44)№7.

Медведев В.С., Потемкин В.Г. «Нейронные сети MatLab 6» М – ДиалогМИФИ – 2002 г.

Мансуров А.В. дисс. канд. ф.-м.н. «Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей», Алтайский Государственный Университет, Барнаул – 2006


Размещено на

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: