трусики женские украина

На головну

 Моделювання динаміки яркостной температури землі методом інваріантного занурення і нейронних мереж - Фізика

Курсова робота

"МОДЕЛЮВАННЯ ДИНАМІКИ яскраві температури ЗЕМЛІ МЕТОДОМ інваріантної ЗАНУРЕННЯ І нейронних мереж"

Введення

Необхідність посилення контролю за глобальними процесами: зміни клімату, зростанням негативного антропогенного впливу на біосферу, а також потреби в прогнозуванні природних і техногенних катастроф, у веденні господарської діяльності висувають в якості пріоритетного завдання дистанційне зондування природного середовища.

Дистанційне зондування (ДЗ) можна представити як процес, за допомогою якого збирається інформація про об'єкт, території або явище без безпосереднього контакту з ним. Методи ДЗ засновані на реєстрації в аналоговій або цифровій формі відбитого або власного електромагнітного випромінювання ділянок поверхні в широкому спектральному діапазоні (від оптичного та інфрачервоного до короткохвильового).

Космічне зондування, інтенсивно розвиваються в останні десятиліття, надало наукам про Землю нові можливості для дослідження земної поверхні. За цей період суттєво зросли обсяг, різноманітність і якість матеріалів ДЗ. До теперішнього часу накопичений величезний фонд (більше 100 мільйонів) аерокосмічних знімків, повністю покривають всю поверхню Землі, а для значної частини районів з багаторазовим перекриттям. [5]

Вчені та фахівці багатьох країн активно розробляють методики вивчення Землі з використанням дистанційних вимірювань, удосконалюються і технічна база моніторингу, та методи інтерпретації даних. Радіометричні методи дослідження земної поверхні є перспективними, оскільки не залежать від природної освітленості місцевості і стану атмосфери. Спостереження в радіохвильове діапазоні чутливі до вологісним, геометричним і діелектричним характеристикам об'єктів. Це робить можливим ведення спостереження і визначення характеристик об'єктів, які недоступні для оптичних систем спостереження.

Один з останніх виведених на орбіту супутників - ALOS крім сенсорів видимого та ІЧ-діапазону обладнаний РСА PALSAR з дозволом від 10 до 100 м (L-діапазон). У 2007 році готується до запуску супутник SMOS, що має на борту вдосконалений радіометр L-діапазону для вивчення вологості ґрунтів і солоності океанів. [13]

Однак обробка результатів радіолокаційних і радіометричних досліджень є більш складною у порівнянні з оптичними системами спостереження і вимагає особливого підходу, адаптованих до фізичного та технічного алгоритму формування даних. Також, важливим завданням є підвищення оперативності отримання фізичних даних спостережуваного об'єкта. Необхідні нові методи експрес-аналізу і швидкої обробки даних ДЗ в режимі реального часу.

Метою роботи є застосування моделювання динаміки яркостной температури методом інваріантного занурення і нейронних мереж; рішення оберненої задачі радіометрії - отримання фізичних даних досліджуваного об'єкта (грунтів); огляд різних моделей нейронних мереж; оцінка похибки і виявлення причин її появи.

моделювання динаміка інваріантний нейронний

1. Завдання дистанційного зондування землі. Сучасні методи обробки даних

1.1 Завдання, які вирішуються методами радіометрії

Завдання, які ставить перед собою радіометричне зондування, мають широкий спектр в галузі досліджень різних параметрів навколишнього середовища (геосфери, гідросфери та атмосфери).

Дослідження земних покривів - одне з важливих завдань нинішнього часу. Дані цих досліджень дуже значимі для багатьох галузей науки, економіки та побуту людства.

Існує величезна кількість різних методів, моделей, алгоритмів аналізу для розрахунку величин і параметрів досліджуваної поверхні. Кожна з цих моделей допускає свої спрощення та неточності.

Завдання, які вирішуються радіометричним зондуванням в геосфері Землі.

Радіометричне зондування використовують для визначення вологості ґрунту (вимагає частоти в 1-6 GHz), оцінки рівня грунтових вод. Вода володіє найбільшою діелектричної проникністю. Таким чином, якщо вода потрапляє у грунт, то вона буде робити внесок у діелектричну проникність грунту, яка складається з повітряних порожнин, плівок води, які покривають частинки грунту. Тому із зволоженням ґрунту її діелектрична проникність починає зростати, отже, збільшується коефіцієнт відбиття.

Динаміка радіояркостной температури в процесі випаровування грунтової вологості залежить від типу грунту, що дозволяє оцінювати фізичні і механічні характеристики грунтів, що перебувають в однакових метеоумовах, дистанційним радіометричним методом [1,12].

У радіометрії легко виявити забруднення грунту нафтою. Нафта є гідрофобною рідиною, тобто вона перешкоджає проникненню води в грунт, в результаті чого утворюється щільна кірка або стоїть калюжа в низині. З причини цього, відразу після дощу забруднена грунт здається більш сухий і яскравішою. Застосовуючи радіометр на різних довжинах хвиль можна визначити товщину забрудненого шару. [6,16]

Дистанційне радіометричне зондування дає таку корисну інформацію як концентрацію в ній солей і мінеральних речовин, глибину промерзання і відтавання грунтів.

Фіксація кордонів сніжного покриву краще відбувається за допомогою дистанційного зондування у видимому діапазоні, проте при дешифруванні снігового покриву лісових територій, виникає ряд труднощів, внаслідок чого доводиться орієнтуватися на засніженість відкритих майданчиків: боліт, вирубок, озер, або застосовувати радіометричні методи в ІК або мікрохвильовому діапазоні .

Оперативне картографування снігового покриву і швидкість отступания її меж у весняний період використовуються для гідрологічних прогнозів. Деякі параметри можна оцінити побічно. Наприклад, зони, охоплені сніготаненням, виявляються в ближньому інфрачервоному діапазоні спектра, а потужність снігового покриву розраховується по ряду послідовних знімків, швидкості просування кордонів снігонакопичення і температурі повітря. [9,14,16,18]

За допомогою радіометричного ДЗ ведуться спостереження за великими надзвичайними подіями та екологічними катастрофами (повені, засухи, лісові пожежі, забруднення морських вод нафтопродуктами, заморозки, урагани, тумани, ожеледь, пилові бурі). Наприклад, лісові пожежі добре виявляються навіть на знімках малого дозволу, за рахунок того, що випромінювання палаючих вугіль дуже велика, то є велика яркостная температура. Однак існують інші проблеми: велика задимленість призводить до маскування теплового випромінювання.

Торф'яні пожежі страшні тим, що знаходяться під поверхнею. Радіометрія може визначити ці осередки пожежі за рахунок підвищення температури поверхні. [6,8]

Завдання, які вирішуються радіометричним зондуванням в гідросфері Землі.

Температура поверхні землі і океану є головним, хоча і не єдиним фактором, що впливає на температуру яскравості.

Довгохвильові радіометри (довжина хвилі 20 см і більше) в принципі можуть оцінювати солоність морської води, використовуючи залежність поглинальної здатності від солоності. Точність таких вимірювань невелика - близько одного проміле (1% 0), що порівнянно по величині з природними варіаціями солоності у Світовому Океані. Однак довгохвильові радіометри можуть знайти застосування в арктичних районах, де варіації солоності досягаються 10-20%.

Для стеження за зміною льодової обстановки в морях складають льодові карти. Важливі переваги космічної зйомки - повторюваність надходження інформації та оперативність обробки - дають можливість фіксувати стан швидко змінюються природних явищ на різні моменти часу. Автоматизовані технології дозволяють відрізняти льоди від хмар і розділяти лід по згуртованості.

В результаті, за супутниковими даними, створюються динамічні карти льодової обстановки в період навігації, а також в осінньо-зимовий і весняний періоди (настання льодоставу, очищення від льоду).

В результаті інтерференції спостерігається яркостная температура ділянки водної поверхні з розливом нафти змінюється періодично зі зміною товщини плівки нафти. Порівняння спостережуваної яркостной температури ділянки розливу нафти з яркостной температурою ділянки чистої водної поверхні дозволяє провести вимірювання товщини плівки нафти в плямі забруднення. [8,13,16]

Особливістю заходів щодо метеозащіте великих міст - використання поряд з радіолокаційної інформацією, яка відбиває просторово-часову еволюцію рідко-крапельних хмар та опадів СВЧ-радіометричної інформації про зміст як парообразной, так і рідко-крапельної вологи в атмосфері. У ході робіт виконується аналіз тимчасової / просторової мінливості характеристик вологовмісту атмосфери (водозапас хмар, вологозапасів атмосфери). [6,10,13,16]

Завдання, які вирішуються радіометричним зондуванням для інших планет Сонячної Системи.

Дистанційне зондування радіометричними методами проводиться не тільки для Землі, але і для інших прилеглих планет Сонячної системи. Ці методи особливо виправдані для планет з «густий» атмосферою.

Радіолокаційне картування північної півкулі планети Венера космічними апаратами Венера-15 і Венера-16, виконане в 1983-1984 рр. радянськими вченими, заслужено є досягненням світового рівня. Вперше в світі з борту космічних апаратів була виконана детальна радіолокаційна зйомка поверхні планети, закритою щільною атмосферою, непрозорою для спостережень в оптичному діапазоні. Площа відзнятої території, розташованої північніше 300 С.Ш., дорівнює 115 млн. Км2, що становить чверть всієї поверхні Венери і лише на третину менше території всієї земної суші. Ідея проведення експерименту і його науково-методична основа розроблена в ІРЕ РАН. [2,15,18]

В рамках програми з дослідження планет сонячної системи і їх супутників по проекту «Марс-96» спільно з вченими ІРЕ був розроблений і встановлений на космічному апараті довгохвильовий радар для глибинного зондування ґрунту та іоносфери Марса в діапазоні робочих частот від 0,2 до 5 МГц. Основною перешкодою до широкого використання радіолокаторів в геологічній розвідці земних надр є сильне поглинання радіохвиль в грунті через наявність у ній води. Однак на інших планетах і космічних тілах вода практично відсутня, тому глибина проникнення може бути вельми великий. Основною метою експерименту "Марс-96» було дослідження висотного розподілу електронної концентрації іоносфери Марса, вимірювання діелектричних властивостей ґрунту на різних глибинах вздовж траси дрейфу космічного апарату, виявлення глибинної структури полярних областей. [2,15,18]

1.2 Недоліки сучасних методів обробки даних дистанційного зондування

На даний момент у світі існує досить велика кількість теорій, які самі по собі вірні, але за деяких умов не виконуються, дають збій. Напевно, ще не існує універсального способу або методу для визначення тих чи інших характеристик. Також і в радіометрії. Є безліч моделей, деякі різні, деякі майже однакові. Для прикладу можна розглянути характеристики грунту, які треба враховувати, а якими можна нехтувати.

В ідеальному випадку ми вважаємо, що градієнт температури невідомий, це є функція, яку можна тільки апроксимувати більш простий, але точно задати неможливо. Або розбивати грунту на шари, бажано нескінченно малі і визначати температуру кожного шару. Також слід чинити з комплексної діелектричної проникністю (КДП) і хвильовим числом, яке виражається через КДП. Залежить від КДП і коефіцієнт відбиття кожного шару, але цю залежність можна визначити за допомогою простого математичного апарату. Вологість кожного шару також потрібно враховувати і визначати.

Не треба забувати, що грунт - це неоднорідна середу. У грунті зустрічаються камені, піщинки, живі організми, мертві організми, вода, трава, величезна кількість природних ресурсів та багато іншого. Кожна складова грунту має свою КДП, хвильове число, вологість, температуру, коефіцієнт відбиття. Тобто для завдання алгоритму за розрахунком яркостной температури і відбиває здатності треба кожен шар розбивати на багато подслоёв. Таке завдання параметрів грунту дуже сильно ускладнює роботу і зводить її до нездійсненною, оскільки все врахувати неможливо, причому наука далеко ще не все знає про навколишнє нас природі (середовищі). Також на поверхні ґрунту існують шорсткості, нерівності, рослинність, органічні сполуки (живі істоти). Залежно від географічного розташування змінюються характеристики середовища, а також кут під яким ростуть рослини на поверхні, вид рослин (наскільки сильно вони поглинають тепло, як глибоко коріння припадають в грунт та інші фактори). Навіть якщо врахувати всі відомі залежності і закономірності максимально точно, то завжди буде якесь припущення, спрощення. Для цього і створено це безліч моделей, які враховую одне, досконально прораховуючи всі можливі варіанти, і не враховують інше.

Моделі, використовувані при тематичної обробці радарних або радіометричних зображень, можна умовно поділити на два класи: фізичні та статистичні. Фізичні моделі будуються на основі знання закономірностей власного випромінювання або розсіювання хвиль. Вони містять функціональні співвідношення, що зв'язують сукупність геофізичних параметрів досліджуваного природного об'єкта з вимірюваними характеристиками прийнятого мікрохвильового випромінювання. Це дозволяє побудувати кількісні алгоритми відновлення з використанням математичних методів розв'язку обернених задач, відповідних формі знайдених функціональних співвідношень. Статистичні моделі не містять апріорних функціональних співвідношень. Вони розраховані на отримання статистичних оцінок геофізичних параметрів за допомогою вибіркових значень для конкретної сукупності характеристик електромагнітних полів, які утворюються в процесі зондування, і геофізичної інформації, яка збирається з тестових ділянок. Цей підхід широко використовує навчання за вибірками і нейронні мережі. Побудова статистичних моделей трудомістке, і вони зазвичай справедливі для конкретних природних об'єктів. Однак через складність процесів власного випромінювання і розсіювання електромагнітних хвиль при побудові фізичних моделей для більшості реальних природних об'єктів часто зустрічаються непереборні труднощі. Тому в даний час використовуються обидва види моделей в залежності від складності зондіруемой природних комплексів. У ряді випадків застосовуються комбіновані моделі, в яких використовуються як елементи статистичних оцінок, так і фізичні закономірності взаємодії хвиль з природним середовищем.

2. Необхідність використання нейронних мереж у моделюванні динаміки яркостной температури землі при дистанційному зондуванні землі

Одним з напрямків подальшого вдосконалення алгоритмів обробки даних ДЗ є використання штучних нейронних мереж, що мають здатність реалізувати широкий клас функцій без апріорних припущень про закони їх розподілу. На основі їх навчання може бути забезпечено більш точне і оперативне отримання шуканих параметрів в реальному масштабі часу. Розробка ефективних алгоритмів, заснованих на штучних нейронних мережах, для виконання завдань подібного класу являє собою актуальну проблему даного дослідження.

2.1 Нейронні мережі та їх застосування

Нервова система і мозок людини складаються з нейронів, з'єднаних між собою нервовими волокнами. Нервові волокна здатні передавати електричні імпульси між нейронами. Всі процеси передачі подразнень від нашої шкіри, вух і очей до мозку, процеси мислення та управління діями - все це реалізовано в живому організмі як передача електричних імпульсів між нейронами. Розглянемо будову біологічного нейрона. Кожен нейрон має відростки нервових волокон двох типів - дендрити, за якими приймаються імпульси, і єдиний аксон, по якому нейрон може передавати імпульс. Аксон контактує з дендритами інших нейронів через спеціальні освіти - синапси, які впливають на силу імпульсу.

Рис. 1. Біологічна нейронна мережа

Можна вважати, що при проходженні синапсу сила імпульсу змінюється в певне число разів, яке ми будемо називати вагою синапса. Імпульси, що надійшли до нейрона одночасно по декількох дендритам, підсумовуються. Якщо сумарний імпульс перевищує деякий поріг, нейрон збуджується, формує власний імпульс і передає його далі по аксону. Важливо відзначити, що ваги синапсів можуть змінюватися з часом, а значить, змінюється і поведінка відповідного нейрона.

Неважко побудувати математичну модель описаного процесу.

Рис. 2. Схематичне зображення обробки сигналу нейроном

На малюнку зображена модель нейрона з трьома входами (дендритами), причому синапси цих дендритів мають ваги w1, w2, w3. Нехай до синапсам надходять імпульси сили x1, x2, x3соответственно, тоді після проходження синапсів і дендритів до нейрона надходять імпульси w1x1, w2x2, w3x3. Нейрон перетворить отриманий сумарний імпульс x = w1x1 + w2x2 + w3x3в відповідно до деякої передавальної функцією f (x). Сила вихідного імпульсу дорівнює y = f (x) = f (w1x1 + w2x2 + w3x3). Таким чином, нейрон повністю описується своїми вагами wkі передавальної функцією f (x). Одержавши набір чисел (вектор) xkв якості входів, нейрон видає деяке число y на виході.

Як працює нейронна мережа

Штучна нейронна мережа (ІНС, нейронна мережа) - це набір нейронів, з'єднаних між собою. Як правило, передавальні функції всіх нейронів в нейронної мережі фіксовані, а ваги є параметрами нейронної мережі і можуть змінюватися. Деякі входи нейронів позначені як зовнішні входи нейронної мережі, а деякі виходи - як зовнішні виходи нейронної мережі. Подаючи будь-які числа на входи нейронної мережі, ми отримуємо якийсь набір чисел на виходах нейронної мережі. Таким чином, робота нейронної мережі полягає в перетворенні вхідного вектора у вихідний вектор, причому це перетворення задається вагами нейронної мережі.

Біологічна еволюція, яка призвела до настільки ефективним рішенням, йшла по шляху від образів до логіки. Так і людина після народження спочатку вчиться розпізнавати образи, а тільки потім набуває вміння міркувати логічно і будувати алгоритми. Комп'ютери ж, навпаки, почавши з логіки, лише через кілька десятиліть освоюють розпізнавання образів за рахунок створення спеціальних програм для комп'ютерів традиційної архітектури або завдяки створенню спеціалізованих апаратних нейропроцесор_в.

Штучні нейронні мережі, подібно біологічним, є обчислювальною системою з величезним числом паралельно функціонуючих простих процесорів з безліччю зв'язків. Незважаючи на те що при побудові таких мереж зазвичай робиться ряд припущень і значних спрощень, що відрізняють їх від біологічних аналогів, штучні нейронні мережі демонструють дивовижну число властивостей, притаманних мозку, - це навчання на основі досвіду, узагальнення, витяг істотних даних з надлишкової інформації.

Нейронні мережі можуть змінювати свою поведінку залежно від стану навколишнього їхнього середовища. Після аналізу вхідних сигналів (можливо, разом з необхідними вихідними сигналами) вони самоналагоджувальна і навчаються, щоб забезпечити правильну реакцію. Навчена мережа може бути стійкою до деяких відхилень вхідних даних, що дозволяє їй правильно «бачити» образ, що містить різні перешкоди і спотворення.

У 50-х роках минулого століття група дослідників об'єднала біологічні та фізіологічні підходи і створила перші штучні нейронні мережі. Тоді здавалося, що ключ до штучного інтелекту знайдений. Але, хоча ці мережі ефективно вирішували деякі завдання з області штучного зору - передбачення погоди та аналізу даних, ілюзії незабаром розсіялися. Мережі були не в змозі вирішувати інші завдання, зовні схожі на ті, з якими вони успішно справлялися. З цього часу почався період інтенсивного аналізу. Були побудовані теорії, доведений ряд теорем. Але вже тоді стало зрозуміло, що без залучення серйозної математики розраховувати на значні успіхи не слід.

З 70-х років у наукових журналах стали з'являтися публікації, що стосуються штучних нейронних мереж. Поступово був сформований хороший теоретичний фундамент, на основі якого сьогодні створюється більшість мереж. В останні два десятиліття розроблена теорія стала активно застосовуватися для вирішення прикладних завдань. З'явилися і фірми, що займаються розробкою прикладного програмного забезпечення для конструювання штучних нейронних мереж. До того ж 90-ті роки ознаменувалися приходом штучних нейронних мереж в бізнес, де вони показали свою реальну ефективність при вирішенні багатьох завдань. У числі завдань, вирішення яких довіряють штучних нейронних мереж, можна назвати наступні - це розпізнавання тексту й мови, семантичний пошук, експертні системи та системи підтримки прийняття рішень, передбачення курсів акцій, системи безпеки, аналіз текстів. Розглянемо кілька особливо яскравих і цікавих прикладів використання нейронних мереж в різних областях.

Техніка та телекомунікації

У 1996 році фірмою Accurate Automation Corp (http://www.accurate-automation.com), Chattanooga, TN за замовленням NASA і Air Force був розроблений експериментальний автопілотіруемий гіперзвукової літак-розвідник LoFLYTE (Low-Observable Flight Test Experiment - рис. 4 ). Літак мав довжину всього 2,5 м і вага 32 кг і був призначений для дослідження нових принципів пілотування. LoFLYTE використовував нейронні мережі, які дозволяють автопілоту навчатися, копіюючи прийоми пілотування льотчика. Оскільки літак був призначений для польотів зі швидкістю 4-5 махів, то швидкість реакції пілота-людини могла бути недостатньою для адекватного відгуку на зміну режиму польоту. У цьому випадку на допомогу приходили нейронні мережі, які переймали досвід управління у льотчика і за рахунок високої швидкості обробки інформації дозволяли швидко знаходити вихід в аварійних і екстремальних ситуаціях (див. Також http://www.accurate-automation.com/Technology/Loflyte /loflyte.html і http://www.designation-systems.net/dusrm/app4/loflyte.html).

Одне з найважливіших завдань в галузі телекомунікацій, яка полягає в знаходженні оптимального шляху пересилання трафіку між вузлами, може бути успішно вирішена за допомогою нейронних мереж. В даному випадку необхідно брати до уваги те, що, по-перше, запропоноване рішення має враховувати поточний стан мережі, якість зв'язку і наявність збійних ділянок, а по-друге, пошук оптимального рішення повинен здійснюватися в реальному часі. Нейронні мережі добре підходять для вирішення завдань такого роду. Крім управління маршрутизацією потоків, нейронні мережі можуть використовуватися і при проектуванні нових телекомунікаційних мереж, дозволяючи отримувати вельми ефективні рішення.

Інформаційні технології

Визначення тематики текстових повідомлень - ще один приклад успішного використання штучних нейронних мереж. Так, сервер новин Convectis (продукт компанії Aptex Software, Inc.) був обраний в 1997 році компанією PointCast, Inc., що була лідером персоналізованої доставки новин в Інтернеті, для автоматичної рубрикації повідомлень за категоріями. Визначаючи значення ключових слів по контексту, сервер Convectis був здатний в реальному часі розпізнавати тематику і автоматично рубрикованих величезні потоки текстових повідомлень, переданих по таким інформаційних мереж, як Reuters, NBC і CBS.

Нейромережевий продукт SelectCast від Aptex Software, Inc. дозволяв визначати область інтересів користувачів Інтернету і пропонував їм рекламу відповідної тематики. Влітку 1997 року компанія Excite, Inc. ліцензувала цю розробку для використання на своїх пошукових серверах. Після установки на серверах Excite і Infoseek нейросетевой рекламою було охоплено близько третини всіх користувачів мережі на той момент. Проведені дослідження встановили, що відгук на таку тематичну рекламу була в середньому в два рази вище, ніж на звичайну, а для окремих її видів ефективність збільшувалася до п'яти разів.

Розпізнавання мови є досить популярним застосуванням нейронних мереж, реалізованим в ряді програмних продуктів. У компанії «НейроПроект» кілька років тому була створена демонстраційна система для мовного управління вбудованим в Windows калькулятором. Система дозволяла без попереднього навчання впевнено розпізнавати кожне з 36 слів, сказаних в мікрофон будь-якою людиною. Для класифікації використовувалася ієрархічна нейронна мережа, що складається з двох каскадів: перший здійснював зразкову розпізнавання слова, відносячи його до одного з шести класів, а другий точно класифікував слово всередині кожного з класів. У навчанні цієї нейронної мережі брали участь 19 дикторів.

Економіка та фінанси

Нейронні мережі активно застосовуються на фінансових ринках. Наприклад, американський Citibank використовує нейромережеві передбачення з 1990 року, і вже через два роки після їх впровадження, за свідченням журналу The Economist, автоматичний дилинг показував прибутковість 25% річних. Chemical Bank застосовує нейромережевому систему фірми Neural Data для попередньої обробки транзакцій на валютних біржах ряду країн, відстежуючи підозрілі угоди. Автоматизовані системи ведення портфелів з використанням нейромереж є на озброєнні і у Deere & Co LBS Capital, причому експертна система об'єднується приблизно з 900 нейронними мережами.

У вересні 1992 року компанія HNC, яка до цього займалася виробництвом нейрокомп'ютерів, випустила програмний продукт Falcon, що дозволяє виявляти і запобігати в реальному часі підозрілі операції по краденим кредитними та дебетними картками. Штучні нейронні мережі навчалися типовому поводженню клієнтів і могли виявляти різка зміна характеру покупок, що сигналізує про можливу крадіжку. Щорічний збиток великих банків від подібних злочинів вимірювався десятками мільйонів доларів, але завдяки впровадженню Falcon в 1994 році вперше за всю історію пластикових карт ці втрати пішли на спад. Аналогічна система була розроблена фірмою ITC для моніторингу операцій з кредитними картами Visa.

Кілька років тому великий канадський банк CIBC для управління ризиками та ідентифікації зловмисників встановив програму KnowledgeSeeker фірми Angoss. З її допомогою фахівці банку вирішили з'ясувати, хто з їхніх клієнтів в майбутньому буде з високою часткою ймовірності затримувати виплати по заставних. Спочатку передбачалося, що в першу чергу ними виявляться ті, хто і перш затримував свої виплати на кілька днів. Однак дослідження показали, що в майбутньому проблеми з платежами виникнуть у тих клієнтів банку, які на тлі регулярних виплат іноді нібито забували заплатити. Як з'ясувалося, подібна «забудькуватість» була пов'язана з серйозними фінансовими труднощами.

Реклама і маркетинг

Компанія Neural Innovation Ltd використовувала при роботі з маркетинговими компаніями стратегію прямої розсилки. Спочатку вона здійснювала розсилку всього 25% від загального числа пропозицій і збирала інформацію про відгуки і реакціях споживачів. Потім ці дані надходили на вхід нейронної мережі, за допомогою якої здійснювався пошук оптимального сегмента споживчого ринку для кожного товару. Після цього інші 75% пропозицій розсилалися вже з урахуванням знайдених закономірностей у зазначений сегмент, і ефективність другий розсилки значно зростала в порівнянні з початковою.

При веденні бізнесу в умовах конкуренції компаніям необхідно підтримувати постійний контакт з споживачами, забезпечуючи зворотний зв'язок. Для цього деякі компанії проводять опитування споживачів, що дозволяють з'ясувати, які чинники є вирішальними при купівлі даного товару або послуги. Аналіз результатів подібного опитування - непросте завдання, оскільки необхідно досліджувати велику кількість пов'язаних між собою параметрів і виявити фактори, що найбільший вплив на попит. Існуючі нейромережеві методи дозволяють з'ясувати це і прогнозувати поведінку споживачів при зміні маркетингової політики, а значить, знаходити оптимальні стратегії роботи компанії.

Одне велике англійське видавництво, яке випускає газети, придбало у фірми Neural Innovation Ltd систему планування цін і витрат, побудовану на використанні нейронної мережі та генетичних алгоритмів. На основі накопичених даних ця система дозволяла виявляти складні залежності між витратами на рекламу, об'ємом продажів, ціною газети, цінами конкурентів, днем ??тижня, порою року і рядом інших факторів. В результаті видавництво могло підбирати оптимальну стратегію з точки зору максимізації обсягу продажів або прибутку.

Кілька років тому компанія GoalAssist Corporation виконала замовлення великої маркетингової фірми, якій вимагалося досліджувати стратегію заохочувальних товарів (коли, наприклад, надсилаючи кілька етикеток з покупок, покупець отримує безкоштовний сувенір). Звичайні методи прогнозування відгуку споживачів в даному випадку виявилися неточними, в результаті чого попит на деякі заохочувальні товари виявився занадто високим і багатьом покупцям довелося подовгу чекати отримання призу, в той час як інші подарунки залишилися незатребуваними. Щоб підвищити точність прогнозування поведінки споживачів, були використані нейронні мережі, які навчаються на основі накопиченої статистики.

Охорона здоров'я

Свого часу в США була введена в дію система виявлення шахрайств в галузі охорони здоров'я. Було підраховано, що втрати бюджету від такого роду фальсифікацій становлять близько 730 млн. Дол. На рік. Створення спеціалізованої нейросетевой системи зайняло у фірми ITC більше року і обійшлося всього в 2,5 млн. Дол. Тестування нової системи показало, що нейронна мережа дозволяє виявляти 38% випадків шахрайства, тоді як використалася до неї експертна система давала тільки 14%. Для налаштування нейронної системи були застосовані також методи нечіткої логіки та генетичної оптимізації.

У медичній діагностиці нейронні мережі нерідко використовуються разом з експертними системами. Компанією «НейроПроект» була створена система об'єктивної діагностики слуху у немовлят. Загальноприйнята методика діагностики полягає в тому, що в процесі обстеження реєструються відгуки мозку у відповідь на звуковий подразник, які проявляються у вигляді сплесків на електроенцефалограмі. Для діагностики слуху дитини досвідченому експерту-аудиолога необхідно провести близько 2 тис. Тестів, нейронна мережа здатна з тією ж достовірністю визначити рівень слуху вже по 200 спостереженнями протягом всього декількох хвилин, причому без участі фахівця.

Наведені приклади показують, що технології нейронних мереж застосовні практично у галузі, а в таких завданнях, як розпізнавання образів і прогнозування котирувань акцій, вони стали вже звичним і широко використовуваним інструментом. Повсюдне проникнення нейронних технологій в інші області - тільки питання часу. Звичайно, впровадження нових наукоємних технологій - процес складний, однак практика показує, що інвестиції не тільки окупаються і приносять вигоду, а й дають тим, хто їх використовує, відчутні переваги.

Перспективи

В даний час штучні нейронні мережі є важливим розширенням поняття обчислення. Вони вже дозволили впоратися з низкою непростих проблем і обіцяють створення нових програм і пристроїв, здатних вирішувати завдання, які поки під силу тільки людині. Сучасні нейрокомп'ютери використовуються в основному в програмних продуктах і тому рідко задіють свій потенціал «паралелізму». Епоха справжніх паралельних нейровичісленій розпочнеться з появою на ринку великої кількості апаратних реалізацій - спеціалізованих нейрочипів і плат розширень, призначених для обробки мови, відео, статичних зображень та інших типів образної інформації.

З часом повинна з'явитися і побутова техніка, підлаштовуватися під свого власника, провісником якої можна вважати нейросетевой блок адаптивного управління в новому пилососі фірми Samsung. Системи безпеки будуть впізнавати своїх господарів по голосу, зовнішнього вигляду та ряду інших унікальних характеристик. Отримають розвиток і системи життєзабезпечення «розумних» електронних будинків, які стануть ще більш адаптивними і учнями. На виробництві та в різних промислових системах інтелектуальні нейромережеві контролери зможуть розпізнавати потенційно небезпечні ситуації, повідомляти про них людей і приймати адекватні і, що найголовніше, своєчасні заходи. Потоки даних в обчислювальних мережах і мережах стільникового зв'язку теж будуть оптимізуватися за допомогою нейротехнологій.

Безліч надій щодо нейронних мереж сьогодні пов'язують саме з апаратними реалізаціями, але поки час їх масового виходу на ринок, мабуть, ще не настав. Вони або випускаються в складі спеціалізованих пристроїв, або досить дорогі, а часто і те й інше. На їх розробку витрачається значний час, за яке програмні реалізації на самих останніх комп'ютерах виявляються лише на порядок менше продуктивними, що робить використання нейропроцесор_в нерентабельним. Але все це тільки питання часу - нейронних мереж належить пройти той же шлях, по якому ще зовсім недавно розвивалися комп'ютери, збільшуючи свої можливості і продуктивність, захоплюючи нові сфери застосування у міру виникнення нових завдань і розвитку технічної основи для їх розробки.

Це й зрозуміло, так як передумови для появи комп'ютерів теж накопичувалися поступово: механічні калькулятори були створені ще за часів Паскаля, теорія універсальних обчислень була розроблена в 30-х роках Аланом Тьюрингом, а лампи і розвиток радіоелектроніки підготували створення елементної бази для перших ЕОМ. Друга світова війна поставила завдання розрахунку балістичних траєкторій, для вирішення якої знадобилися потужні калькулятори, роль яких зіграли ЕОМ 40-х років, що виробляють обчислення за розробленим алгоритмом, багато разів повторює одну й ту ж послідовність операцій.

2.2 Особливості моделювання процесів методом штучних нейронних мереж (ІНС)

Такий вражаючий успіх визначається декількома причинами:

- Нейронні мережі - це виключно потужний метод імітації процесів і явищ, що дозволяє відтворювати надзвичайно складні залежності. Нейронні мережі по свій природі є нелінійними, в той час як протягом багатьох років для побудови моделей використовувався лінійний підхід. Крім того, у багатьох випадках нейронні мережі дозволяють подолати «прокляття розмірності», обумовлене тим, що моделювання нелінійних явищ в разі великого числа змінних вимагає величезної кількості обчислювальних ресурсів.

- Інша особливість нейронних мереж пов'язана з тим, що вони використовують механізм навчання. Користувач нейронної мережі підбирає представницькі дані, а потім запускає алгоритм навчання, який автоматично налаштовує параметри мережі. При цьому від користувача, звичайно, потрібно якийсь набір евристичних знань про те, як слід відбирати і готувати дані, вибирати потрібну архітектуру мережі та інтерпретувати результати, проте рівень знань, необхідний для успішного застосування нейронних мереж, набагато скромніше, ніж, наприклад, при використанні традиційних методів.

Механізм навчання

При вирішенні за допомогою нейронних мереж прикладних задач необхідно зібрати достатній і представницький обсяг даних для того, щоб навчити нейронну мережу вирішенню таких завдань. Навчальний набір даних - це набір спостережень, що містять ознаки досліджуваного об'єкта. Перше питання, які ознаки використовувати і скільки і які спостереження треба провести.

Вибір ознак, принаймні первісний, здійснюється евристично на основі наявного досвіду, який може підказати, які ознаки є найбільш важливими. Спочатку слід включити всі ознаки, які, на думку аналітиків або експертів, є суттєвими, на наступних етапах це безліч буде скорочено.

Нейронні мережі працюють з числовими даними, взятими, як правило, з деякого обмеженого діапазону. Це може створити проблеми, якщо значення спостережень виходять за межі цього діапазону або пропущені.

Питання про те, скільки потрібно мати спостережень для навчання мережі, часто виявляється непростим. Відомий ряд евристичних правил, які встановлюють зв'язок між кількістю необхідних спостережень і розмірами мережі. Просте з них свідчить, що кількість спостережень має бути в 10 разів більше числа зв'язків у мережі. Насправді це число залежить від складності того відображення, яке повинна відтворювати нейронна мережа. З ростом числа використовуваних ознак кількість спостережень зростає по нелінійному закону, так що вже при досить невеликому числі ознак, скажімо 50, може знадобитися величезне число спостережень. Ця проблема носить назву «прокляття розмірності».

Для більшості реальних задач буває достатнім декількох сотень або тисяч спостережень. Для складних завдань може знадобитися більша кількість, однак дуже рідко зустрічаються завдання, де потрібно менше 100 спостережень. Якщо даних мало, то мережа не має достатньої інформації для навчання, і найкраще, що можна в цьому випадку зробити, - це спробувати підігнати до даних деяку лінійну модель.

Після того як визначено кількість шарів мережі і число нейронів в кожному з них, потрібно призначити значення ваг і зміщень, які мінімізують помилку рішення. Це досягається за допомогою процедур навчання. Шляхом аналізу наявних у розпорядженні аналітика вхідних і вихідних даних ваги і зміщення мережі автоматично налаштовуються так, щоб мінімізувати різницю між бажаним сигналом і отриманим на виході в результаті моделювання. Ця різниця носить назву помилки навчання. Таким чином, процес навчання - це процес підгонки параметрів тієї моделі процесу або явища, яка реалізується нейронною мережею. Помилка навчання для конкретної конфігурації нейронної мережі визначається шляхом прогону через мережу всіх наявних спостережень і порівняння вихідних значень з бажаними, цільовими значеннями. Ці різниці дозволяють сформувати так звану функцію помилок (критерій якості навчання). В якості такої функції найчастіше береться сума квадратів помилок. При моделюванні нейронних мереж з лінійними функціями активації нейронів можна побудувати алгоритм, який гарантує досягнення абсолютного мінімуму помилки навчання. Для нейронних мереж з нелінійними функціями активації в загальному випадку не можна гарантувати досягнення глобального мінімуму функції помилки.

При такому підході до процедури навчання може виявитися корисним геометричний аналіз поверхні функції помилок. Визначимо ваги і зміщення як вільні параметри моделі та їх загальне число позначимо через N; кожному набору таких параметрів поставимо у відповідність один вимір у вигляді помилки мережі. Тоді для всіляких поєднань ваг і зміщень відповідну помилку мережі можна зобразити точкою в ЛЧ-1 - вимірному просторі, а всі такі точки утворюють деяку поверхню, звану поверхнею функції помилок. При такому підході мета навчання нейронної мережі полягає в тому, щоб знайти на цій багатовимірної поверхні глобальний мінімум.

У разі лінійної моделі мережі і функції помилок у вигляді суми квадратів така поверхня буде являти собою параболоїд, який має єдиний мінімум, і це дозволяє відшукати такий мінімум досить просто.

У разі нелінійної моделі поверхню помилок має набагато більш складну будову і володіє рядом несприятливих властивостей, зокрема може мати локальні мінімуми, пласкі ділянки, сідлові точки і довгі вузькі яри.

Визначити глобальний мінімум багатовимірної функції аналітично неможливо, і тому навчання нейронної мережі, по суті справи, є процедурою вивчення поверхні функції помилок. Відштовхуючись від випадково обраної точки на поверхні функції помилок, алгоритм навчання поступово відшукує глобальний мінімум. Як правило, для цього обчислюється градієнт (нахил) функції помилок в даній точці, а потім ця інформація використовується для просування вниз по схилу. Зрештою алгоритм зупиняється в деякому мінімумі, який може виявитися лише локальним мінімумом, а якщо пощастить, то і глобальним.

Таким чином, по суті алгоритми навчання нейронних мереж аналогічні алгоритмам пошуку глобального екстремуму функції багатьох змінних.

Отже, переваги нейромережевого підходу полягають в наступному:

- Паралелізм обробки інформації;

- Єдиний і ефективний принцип навчання;

- Надійність функціонування;

- Здатність вирішувати неформалізовані завдання.

3. Моделювання динаміки яркостной температури методом інваріантних занурень і нейронних мереж

3.1 Отримання експериментальних даних на виробничій практиці

Одним з типів досліджень методом радіометричного дистанційного зондування землі є польовий експеримент. Радіометричний комплекс встановлений на агробіологічної станції Омського Державного Педагогічного Університету складається з трьох радіометрів частот 2,73Gh, 6,0Gh, 8,15Gh з відповідною довгої хвилі 11 см, 5 см і 3,6 см. (Рис. 1, рис. 2) , що встановлюються на пересувному штативі (рамі), пересувної лабораторії і 6 експериментальних ділянок розміром 1,4 м * 1,4 м (рис. 3).

Рис. 3. Схема пересувного штатива з радіометрами

Рис. 4. Пересування рами з радіометрами з однієї ділянки на іншу

Рис. 5. Експериментальні ділянки

Конструкція і розміри пересувного штатива (рами) були обрані виходячи з задоволення таким критеріям [1]:

1. Еталони і досліджувані ділянки повинні знаходитися в дальній зоні антен радіометрів

2. Ширина головного пелюстка за рівнем 0,5 дб повинна бути менше геометричних розмірів, еталонів і ділянок.

3. Кут нахилу антен повинен становити 100

Ділянки №1, №2, №3, №4 є експериментальними ділянками, на яких розташовані такі види грунтів: земля, забруднена нафтою, пісок, глина, чорнозем, відповідно. На ділянці №5 розташований лист металу, а на ділянці №6 - ємність з водою. Ділянки №5 і №6 використовуються для калібрування обладнання, а вимірювання зняті з цих ділянок є опорною точкою (калібруванням) для розрахунку яскравості температур грунту ділянок №1 - №4.

Штатив (рама) пересувається з одного на інший ділянку, вимірювання проводяться послідовно радіометрами з частотою 5 Gh, потім 11 Gh, потім 3,6 Gh.

При калібруванні радіометрів використовуються наступні еталони випромінювання: випромінювання неба, відбите металевим листом, випромінювання гладкою водної поверхні, випромінювання поглинає покриття. Розміри еталонів повинні перевищувати розміри плями, що випромінює в головний пелюсток, щоб дифракційними явищами на краях зразків можна знехтувати.

У ході експерименту замірялися: час, температура навколишнього середовища, температура шару грунту на глибині 0,5 см і 2 см, а також вимірювалася яркостная температура грунтів.

Двічі на день бралися проби ґрунтів на вологість: поверхневий шар 0-1 см, 1-2 см, і 3-4 см.

Досліджуваними об'єктами були ділянки №2 і №3, піщана і глинистий грунт відповідно (рис. 4; рис. 5).

Рис. 6. Піщаний грунт. Ділянка №2

Рис. 7. Середній суглинок. Ділянка №3

З отриманих даних видно, що майже однакові в оптичному діапазоні грунту, кардинально відрізняються за фізичними властивостями.

Таблиця 1. Гранулометричний склад грунтів (% від маси сухого ґрунту)

 Розмір фракцій, мм

 Грунт 1-0,25 0,25-0,05 0,05-0,01 0,01-0,005 0,005-0,001 <0,001 <0,01

 Пісок (№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

Був проведений цикл вимірювань протягом чотирьох днів яркостной температури грунту «суха-волога-суха». Цикл вимірювань складається з 39 точок, для трьох радіометрів різної частоти (і відповідно різної глибини проникнення в грунт). Вимірювання на ділянках проводяться між двома опорними точками: калібруванням металом і водою.

3.2 Постановка завдання. Пошук алгоритму рішення

Завданням побудованої нейронної мережі має бути відновлення параметрів грунтів за експериментальними даними значення яркостной температури з радіометрів різної частоти в момент експериментального отримання проб вологості ґрунтів.

Для моделювання методом Нейронних мереж використовуються кілька програм, серед них прикладної пакет для MathLab 6.1, Statistica Neural NetWorks, NNMath 3.1 та ін. Будемо використовувати програми MathLab 6.1, Statistica Neural NetWorks, обрані за простоту роботи і можливості налаштування потрібної моделі.

У загальному випадку, для отримання алгоритмів і моделей виконується наступне:

1. Визначається досліджуваний клас об'єктів (представлений вхідними та вихідними даними).

2. Для цього класу вибирається настроюється модель (модель, параметри якої можна змінити), яка задовольняє певним критеріям і вимогам.

3. Вибирається оцінка якості ідентифікації (втрати, що характеризують відмінність між вихідними величинами об'єкта і моделі).

4. Формується алгоритм ідентифікації, який, змінюючи параметри моделі, мінімізує втрати.

Вибір і розробка моделей та алгоритмів вимагають серйозних зусиль для експериментального дослідження та порівняння з уже раніше запропонованими. У той же час це надає велику свободу у виборі напрямку в науці, знання якої будуть залучатися для створення нових моделей і алгоритмів.

Будемо користуватися двома підходами у вирішенні поставленого завдання:

1. Використовуємо модель двошарового персептрона, і поетапно збільшуємо кількість нейронів на кожному шарі з 3 до 5, параметри яких оптимально підібрані в дослідженні [15].

2. Функція автоматичного підбору параметрів, яка присутня в програмі Statistica Neural NetWorks і працює на основі аналізу кількості та виду вхідних і вихідних даних.

Рис. 8. Двошаровий персептрон з одним прихованим шаром і 3 нейронами на кожному шарі

Рис. 9. Двошаровий персептрон з одним прихованим шаром і 5 нейронами на кожному шарі

Рис. 10. Нейронна мережа побудована методом автоматичного підбору параметрів

Радіометричне дослідження природного середовища та відновлення необхідних параметрів виконується в роботах. З урахуванням запропонованої в рефракційної моделі КДП грунтів зв'язок між радіовипромінювальних здатністю почвогрунта і його КДП може бути дозволена в явному вигляді відносно об'ємної вологості. При цьому рішення містить ряд апріорно задаються параметрів. Вхідними даними будуть яскраві температури, отримані при теоретичному розрахунку методом інваріантного занурення. Вихідними даними являтися параметри ґрунтів: об'ємна вологість, рівень шару, і КДП грунту (при аналізі якої можна визначити клас грунту).

У рішенні поставленого завдання будемо вважати відсутність як шуму, створюваного рослинністю (тому ділянки в експерименті були підготовлені і очищені від рослинності), так і техногенного шуму. При наявності ж таких, представляється можливим створення комплексу нейронних мереж, одні з яких будуть відповідати за отчистки радіометричного сигналу від шумів, інша - вирішувати основну задачу, в іншому випадку доцільне використання вейвлет фільтрів для очистки сигналу.

3.3 Метод інваріантного занурення. Теоретичний розрахунок. Режим навчання

Метод інваріантного занурення бере за основу слоистость грунту і різне влагосодержание в різних шарах грунту. Шарувата модель по Башарінову А.Є.

Дана модель містить такі припущення:

1. Випромінювання вважається некогерентним.

2. Немає ослаблення випромінювання між поверхнею і антеною.

3. Яскравість неба вважається ізотропної і має значення 3К.

4. Вологість і температура вважаються функціями тільки глибини.

5. Діелектричні та теплові властивості ґрунтів постійні у шарах певної товщини.

6. Поверхня ґрунту вважається гладкою. (Рослинність відсутня)

Також будемо вважати, що діелектрична проникність має комплексний вид, тим самим розглянемо найбільш загальний випадок.

Зі збільшенням глибини, діелектрична проникність, а також вологість збільшується.

Ця модель розглядає теплове випромінювання шарувато-неоднорідних неізотермічних детермінованих середовищ з довільною величиною поглинання. Діелектрична провідність має загальний комплексний вигляд:

Нехай температура шарів має наступну залежність:

,

де z - глибина грунтових шарів

Для розрахунку КДП грунту (e) в роботі використовується рефракційна модель діелектричних властивостей сумішей. Вона являє собою опис вологості залежності діелектричної проникності ґрунтів. Модель є найбільш успішною при роботі в діапазонах НВЧ, враховує подвійність діелектричних властивостей ґрунтів, що визначаються вмістом зв'язаної і вільної води [15].

Рис. 11. Шарувата модель по Башарінову А.Є.

Дана модель враховує зв'язок вільних і пов'язаних молекул води в грунтах.

Для навчання нейронної мережі були використані дані теоретичних розрахунків за програмою на базі Microsoft Excel, яка розраховує температуру яскравості за даними КДП отриманим, при моделюванні методом інваріантного занурення в лабораторії радіометричного зондування Землі Омського Державного Педагогічного Університету на основі дослідження [15].

Коефіцієнт діелектричної проникності ґрунтів також використовується в режимі навчання і відновлюється по яскравості температур радіометрів різної частоти в нейронної мережі з метою класифікації типу грунтів.

Таблиця 2. Приклад навчальної вибірки для співвідношень параметрів піщаного ґрунту і яскравості температур при різних частотах радіометра

 W, вологість Е, КДП грунту dz, глибина занурення Tf, яскравість. Темп. для f = 2,73 Gh Tf, яскравість. Темп. для f = 6,0 Gh Tf, яскравість. 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

Кількість навчальних даних було 120 вимірювань, що в 5 разів більше кількості зв'язків в двошаровому персептрони з 3 нейронами на кожному шарі. Кількість епох навчання дорівнювало 100 в один період встановлення ваг.

Рис. 12. Розрахунок ваг в залежності від кількості епох при навчання нейронної мережі, створеної методом автоматичного підбору параметрів

Рис. 13. Розрахунок ваг в залежності від кількості епох навчання при навчання нейронної мережі двошарового персептрона методом зворотного поширення помилки

Рис. 14. Розрахунок ваг в залежності від кількості епох навчання при навчання нейронної мережі двошарового персептрона методом сполученого градієнта

З малюнків видно, що найбільш швидко «навченою» нейронною мережею, є двошаровий персептрон, що встановлює параметри ваг методом сполученого градієнта. При збільшенні кількості нейронів на шарах нейронної мережі період становлення збільшується у всіх вищенаведених методах навчання нейронної мережі.

3.4 Рішення поставленої задачі на експериментальних даних методом нейронних мереж

З експериментальних даних отриманих на виробничій практиці робиться тестова вибірка яскравості температур трьох радіометрів в момент отримання проб вологості ґрунтів. Таким чином для тестування нейронної мережі у нас будуть два еталона: теоретичний розрахунок яркостной температури за методом інваріантного занурення на основі експериментальних даних вологості ґрунтів та експериментальні дані вологості ґрунтів.

Рис. 15. Критичні або суперечливі дані

Помилки і фіксації суперечностей виникали при відновленні параметрів грунтів по яскравості температур, на тих даних, які були отримані в момент експерименту, коли один з радіометрів відключався або видавав нечіткий результат.

У навчену нейронну мережу, створену методом автоматичного підбору моделі та параметрів при вирішенні прямої задачі (одержання яркостной температури грунтів із заданими параметрами) вводимо вхідні дані: експериментально отримані вологість, глибину шару.

Отримуємо на виході з нейронної мережі температуру яскравості для трьох радіометрів певні, в середньому, з точністю ± 5К.

Таблиця 3

 Грунт Дані отримані експериментальним шляхом Дані отримані сетодом нейронних мереж

 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

 Пісок 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

У навчену нейронну мережу, створену методом автоматичного підбору моделі та параметрів при вирішенні оберненої задачі (одержання параметрів грунтів при заданій яркостной температурі з трьох радіометрів) вводимо вхідні дані: експериментально отримані температуру яскравості з трьох радіометрів різної частоти.

Отримуємо на виході з нейронної мережі дані про об'ємної вологості ґрунтів певні, в середньому, з точністю ± 0,04.

Таблиця 4

 Грунт Дані отримані експериментальним шляхом Дані отримані сетодом нейронних мереж

 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

 Пісок 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

У навчену нейронну мережу двошаровий персептрон при вирішенні прямої задачі (одержання яркостной температури грунтів із заданими параметрами) вводимо вхідні дані: експериментально отримані вологість, глибину шару.

Отримуємо на виході з нейронної мережі температуру яскравості для трьох радіометрів визначені з точністю ± 3К для двошарового персептрона з 3 нейронами на кожному шарі і ± 2К для двошарового персептрона з 5 нейронами на кожному шарі.

Таблиця 5

 Грунт Дані отримані експериментальним шляхом Дані отримані сетодом нейронних мереж

 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

 Пісок 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

У навчену нейронну мережу двошаровий персептрон при вирішенні оберненої задачі (одержання параметрів грунтів при заданій яркостной температурі з трьох радіометрів) вводимо вхідні дані: експериментально отримані температуру яскравості з трьох радіометрів різної частоти.

Отримуємо на виході з нейронної мережі дані про об'ємної вологості ґрунтів визначені з точністю ± 0,03 для двошарового персептрона з 3 нейронами на кожному шарі і ± 0,02 для двошарового персептрона з 5 нейронами на кожному шарі.

Таблиця 6

 Грунт Дані отримані експериментальним шляхом Дані отримані сетодом нейронних мереж

 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

 Пісок 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 Отримані результати

У процесі навчання ІНС формує деякий приховане, неявне знання про спосіб вирішення поставленого завдання, яке закладене у вигляді значень ваг її адаптивних параметрів. Якщо потрібно лише отримання результату, який задовольняє вимогам поставленого завдання, сама ІНС і є кінцевим рішенням завдання.

Таблиця 7. Похибка визначення даних методом нейронних мереж різних моделей

 Похибка в отриманні результатів НС, створена методом автоматичного підбору параметрів Двошаровий персептрон

 З трьома нейронами на кожному шарі З п'ятьма нейронами на кожному шарі

 Яркостной температури ± 5 ± 3 ± 2

 Вологість грунтів ± 0,04 ± 0,03 ± 0,02

Таблиця 8. Швидкість навчання нейронних мереж різних моделей

 Модель ІНС НС, створена методом автоматичного підбору параметрів Двошаровий персептрон

 Навчання методом зворотного поширення помилки Навчання методом сполученого градієнта

 Швидкість навчання ІНС 150 епох 3500 епох 25 епох

З наведених вище таблиць видно що найбільш оптимальною моделлю точною моделлю для вирішення даної задачі є двошаровий персептрон з 5 нейронами на кожному шарі, а оптимальним методом навчання є метод сполученого градієнта.

З отриманих даних найбільш достовірними вважаються результати, визначені з точністю ± 2К для Tяі ± 0.02 для W і Wsl. Навчена ІНС, що показує найкращі результати на тестовій вибірці і має необхідний набір службових процедур для роботи з вимірюваними даними і виведенням шуканих параметрів, є в підсумку робочим нейромережним вирішувачів [15].

Отримана похибка пояснюється наступними припущеннями:

· Недостатній обсяг даних в режимі навчання

· Трьохканальний вхідних і вихідних даних

· Неврахування шорсткості поверхні

· Неврахування динаміки температури зовнішнього середовища

· Нехтування шумом рослинності

· Нехтування техногенним шумом

Висновки

Побудовані нейронні мережі для визначення параметрів грунтів з похибкою в 14-19% і класифікації грунтів на основі розробленого нейромережевого способу визначення неоднорідності розподілу вологи в приповерхневому шарі грунту за даними багатоканальних вимірювань в СВЧ-діапазоні [15].

Найбільш вдалою в рішенні як прямий так і зворотної завданням можна вважати двошаровий персептрон з 5 нейронами на кожному шарі (подальше збільшення кількості нейронів призводить до погіршення результатів через великої кількості зв'язків і малого об'єму вхідних даних в режимі навчання).

Розроблені нейронні мережі можуть використовуватися при визначенні параметрів грунтів в приповерхневому шарі (5 см) при трьохканальному радіометричному зондуванні землі, а також класифікація типу грунтів ідентичних в оптичному діапазоні.

В даний час перспективи подальшого розвитку даних методик обробки даних радіометричного зондування не викликає сумніву. Зараз вже працюють комплекси нейронних мереж за визначенням: вологості, температури грунтів.

Серія робіт Л.Є. Назарова присвячена питанням нейросетевой класифікації земних об'єктів (лісів, водойм).

Розроблено методику нейромережевого визначення ділянок лісової пожежі за даними RADARSAT-1.

Список літератури

1. Під ред. акад. РАН В.А. Садовничий. Космічне землезнавство. - М .: Изд-во МГУ, 1992. - Ч. 1. - 269 с .; 1998. - 4.2. - 571 с.

2. Башарін А.Є., Гурвич А.С., Єгоров СТ. Радіовипромінювання Землі як планети. - М .: Наука, 1974. - 207 с.

3. Шутпко A.M. СВЧ-радіометр водної поверхні і почвогрунтов. - М .: Наука, 1986. - 190 с.

4. Арманд Н.А., Крапівін В.Ф., Мкртчян Ф.А. Методи обробки даних радіофізичного дослідження навколишнього середовища. - М .: Наука, 1987. - 270 с.

5. Шанда Е. Фізичні основи дистанційного зондування: Пер. з англ. - М .: Надра, 1990. - 208 с.

6. Кондратьєв К.Я. Ключові проблеми глобальної екології // Теоретичні та загальні питання географії. - М .: ВІНІТІ, 1990. - 454 с. - (Підсумки науки і техніки; Т. 9.)

7. Аерокосмічні методи в грунтознавстві і їх використання в сільському господарстві. - М .: Наука, 1990. - 247 с.

8. Упоряд. М. Назіров, А.П. Пічугін, Ю.Г. Спиридонов. Під ред. Л.М. Митника, СВ. Вікторова. Радіолокація поверхні Землі з космосу. - Л .: Гидрометеоиздат, 1990. - 200 с.

9. Баранов Д.В., Бобров П.П. Моделювання та експериментальне дослідження власного радіотеплового випромінювання вологих ґрунтів. // Дипломна робота на здобуття ступеня бакалавра радіофізики - Омськ - 2006 - 30 с.

10. Караваєв Д.М., Щукін Г.Г. СВЧ-радіометричні дослідження вологозапасів атмосфери і водозапаса хмар. Тези доповідей регіональної XXIII конференції з розповсюдження радіохвиль. С-Петербург, 1997, с. 76.

11. «Потенційні можливості бістатичних радіометра для спостереження поверхні Землі з високою роздільною здатністю» // А.П. Верещак, В.В. Піскорж. - Журнал Радіоелектроніки - 2003 - №3

12. Баррет Е., Куртіс Л. «Введення в космічний землезнавство.» - Пер. з англ. - М - Прогрес - 1979

13. «Спостереження океану з космосу за допомогою мікрохвильових радіометрів» Ю.А. Кравцов // Соросівський Освітній Журнал - 1999 - (44) №7.

14. Медведєв В.С., Потьомкін В.Г. «Нейронні мережі MatLab 6» М - ДіалогМІФІ - 2002

15. Мансуров А.В. дис. канд. ф.-м.н. «Алгоритми обробки даних радіохвильового дистанційного зондування поверхні Землі на основі штучних нейронних мереж», Алтайський Державний Університет, Барнаул - 2006

Авіація і космонавтика
Автоматизація та управління
Архітектура
Астрологія
Астрономія
Банківська справа
Безпека життєдіяльності
Біографії
Біологія
Біологія і хімія
Біржова справа
Ботаніка та сільське господарство
Валютні відносини
Ветеринарія
Військова кафедра
Географія
Геодезія
Геологія
Діловодство
Гроші та кредит
Природознавство
Журналістика
Зарубіжна література
Зоологія
Видавнича справа та поліграфія
Інвестиції
Інформатика
Історія
Історія техніки
Комунікації і зв'язок
Косметологія
Короткий зміст творів
Криміналістика
Кримінологія
Криптологія
Кулінарія
Культура і мистецтво
Культурологія
Логіка
Логістика
Маркетинг
Математика
Медицина, здоров'я
Медичні науки
Менеджмент
Металургія
Музика
Наука і техніка
Нарисна геометрія
Фільми онлайн
Педагогіка
Підприємництво
Промисловість, виробництво
Психологія
Психологія, педагогіка
Радіоелектроніка
Реклама
Релігія і міфологія
Риторика
Різне
Сексологія
Соціологія
Статистика
Страхування
Будівельні науки
Будівництво
Схемотехніка
Теорія організації
Теплотехніка
Технологія
Товарознавство
Транспорт
Туризм
Управління
Керуючі науки
Фізика
Фізкультура і спорт
Філософія
Фінансові науки
Фінанси
Фотографія
Хімія
Цифрові пристрої
Екологія
Економіка
Економіко-математичне моделювання
Економічна географія
Економічна теорія
Етика

8ref.com

© 8ref.com - українські реферати


енциклопедія  бефстроганов  рагу  оселедець  солянка