Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей
Курсовой проект - Физика
Другие курсовые по предмету Физика
,5900,296571,0015,8731761601780,3171,50017,8730,171432,008,1091811691820,1211,7507,1090,273143,0014,2231791521740,3232,50016,2230,267571,0013,8441961741990,2581,00014,8440,2222,0010,9361901751960,2022,50013,9360,318713,0017,5151871942030,3193,25019,5150,296291,0015,852179-2120,6463,75023,852Песок0,320571,0017,656-1992250,7311,50019,6560,272862,0014,204-2022260,4034,50012,2040,318293,0017,483-2072240,8381,50017,4830,244571,0012,3332142102310,2250,50014,3330,084862,004,2492202232350,1051,5003,2490,176571,008,3772142102310,1271,5006,3770,173712,008,2282202232350,1741,7508,2280,193,009,0982162032190,2102,50011,0980,097141,004,7212302162400,1371,0005,7210,120572,005,6922242212400,1612,5008,6920,115713,005,4832082392450,0863,2507,4830,393141,0023,628204-2410,7934,50025,628
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
ПочваДанные полученные экспериментальным путемДанные полученные сетодом нейронных сетейВл-тьГл-наКДПЯр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Яр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Глина0,457141,0029,614-1421531501391550,410862,0025,218-1451531511481540,3983,0024,059-1451531521471510,198861,009,5901511421601541401580,296571,0015,8731761601781781621800,171432,008,1091811691821791681810,273143,0014,2231791521741811501760,267571,0013,8441961741991951742000,2222,0010,9361901751961881771990,318713,0017,5151871942031871952050,296291,0015,852179-212181198210Песок0,320571,0017,656-1992251942012270,272862,0014,204-2022261932002240,318293,0017,483-2072241992092240,244571,0012,3332142102312122082330,084862,004,2492202232352222212340,176571,008,3772142102312122122290,173712,008,2282202232352202222350,193,009,0982162032192182012210,097141,004,7212302162402342162410,120572,005,6922242212402282232430,115713,005,4832082392452052402470,393141,0023,628204-241204216243
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
ПочваДанные полученные экспериментальным путемДанные полученные сетодом нейронных сетейВл-тьГл-наКДПЯр.Т. f=6,0Яр.Т. f=2,73Яр.Т. f=8,15Вл-тьГл-наКДПГлина0,457141,0029,614-1421530,7674,50026,6140,410862,0025,218-1451530,2012,25018,2180,3983,0024,059-1451530,9682,5006,0590,198861,009,5901511421600,2290,5007,5900,296571,0015,8731761601780,3171,50017,8730,171432,008,1091811691820,1511,7507,1090,273143,0014,2231791521740,2933,50012,2230,267571,0013,8441961741990,2581,25013,8440,2222,0010,9361901751960,2022,75012,9360,318713,0017,5151871942030,3193,50018,5150,296291,0015,852179-2120,5162,50028,852Песок0,320571,0017,656-1992250,8310,50019,6560,272862,0014,204-2022260,5034,50012,2040,318293,0017,483-2072240,0383,00019,4830,244571,0012,3332142102310,2251,50010,3330,084862,004,2492202232350,1051,7502,2490,176571,008,3772142102310,1570,50010,3770,173712,008,2282202232350,1742,0007,2280,193,009,0982162032190,2103,5007,0980,097141,004,7212302162400,1071,2504,7210,120572,005,6922242212400,1312,7507,6920,115713,005,4832082392450,0863,5006,4830,393141,0023,628204-2410,7933,25015,628
- 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 результатовНС, созданная методом автоматического подбора параметровДвухслойный персептронС тремя нейронами на каждом слоеС пятью нейронами на каждом слоеЯркостной температуры 5 3 2Влажность почв 0,04 0,03 0,02
Таблица 8. Скорость обучения нейронных сетей различных моделей
Модель ИНСНС, созданная методом автоматического подбора параметровДвухслойный персептронОбучение методом обратного распространения ошибкиОбучение методом сопряженного градиентаСкорость обучения ИНС150 эпох3500 эпох25 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 1419% 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 (5см) при трехканальном радиометрическом зондировании земли, а также классификация типа почв идентич