Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

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.

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

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

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.

3.4 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.

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

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

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

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

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

Таблица 8. Скорость обучения нейронных сетей различных моделей

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 T_я 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

Размещено на Allbest.ru