Меню
Поиск



рефераты скачать Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей


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


3.5           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


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

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

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

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

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

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

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

8.       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.

9.       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.

10.  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.

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

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

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

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

15.  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


 


Страницы: 1, 2, 3, 4




Новости
Мои настройки


   рефераты скачать  Наверх  рефераты скачать  

© 2009 Все права защищены.