2 valign=top>
Двошаровий персептрон
З трьома нейронами на кожному шарі
З п'ятьма нейронами на кожному шарі
яскраві температури
В± 5
В± 3
В± 2
Вологість грунтів
В± 0,04
В± 0,03
В± 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 В± 2К для T я і В± 0.02 для W і Wsl. Навчена ІНС, 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:
В· Недостатній обсяг даних в режимі навчання
В· Трьохканальний вхідних і вихідних даних
В· Неврахування шорсткості поверхні
В· Неврахування динаміки температури зовнішнього середовища
В· Нехтування шумом рослинності
В· Нехтування техногенним шумом
Висновки
Побудовано нейронні мережі для визначення параметрів грунтів з похибкою в 14-19% і класифікації грунтів на основі розробленого нейромережного способу визначення неоднорідності розподілу вологи в приповерхневому шарі грунту за даними багатоканальних вимірювань в СВЧ-діапазоні [15].
Найбільш вдалою у вирішенні як прямий так і зворотної завданням можна вважати двошаровий персептрон з 5 нейронами на кожному шарі (подальше збільшення кількості нейронів призводить до погіршення результатів за великої кількості зв'язків та малого обсягу вхідних даних в режимі навчання).
Розроблені нейронні мережі можуть використовуватися при визначенні параметрів грунтів в приповерхневому шарі (5 см) при трьохканальному радиометрическом 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 нейромережевої класифікації земних об'єктів (лісів, водойм).
Розроблено методика нейромережного визначення ділянок лісової пожежі за даними RADARSAT-1.
Список літератури
1. Під ред. акад. РАН В.А. Садовничий. Космічне землезнавство. - М.: Изд-во МДУ, 1992. - Ч. 1. - 269 с.; 1998. - 4.2. - 571 с. p> 2. Башаріна А.Є., Гурвич А.С., Єгоров СТ. Радіовипромінювання Землі як планети. - М.: Наука, 1974. - 207 с. p> 3. Шутпко A.M. СВЧ-радіометрія водної поверхні і почвогрунтов. - М.: Наука, 1986. - 190 с. p> 4. Арманд Н.А., Крапівін В.Ф., Мкртчян Ф.А. Методи обробки даних радіофізичного дослідження навколишнього середовища. - М.: Наука, 1987. - 270 с. p> 5. Шанда Е. Фізичні основи дистанційного зондування: Пер. з англ. - М.: Надра, 1990. - 208 с. p> 6. Кондратьєв К.Я. Ключові проблеми глобальної екології// Теоретичні та загальні питання географії. - М.: ВІНІТІ, 1990. - 454 с. - (Підсумки науки і техніки; Т. 9.) p> 7. Аерокосмічні методи в грунтознавстві та їх використання в сільському господарстві. - М.: Наука, 1990. - 247 с. p> 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. p> 9. Баранов Д.В., Бобров П.П. Моделювання та експериментальне дослідження власного радіотеплового випромінювання вологих грунтів.// Дипломна робота на здобуття ступеня бакалавра радіофізики - Омськ - 2006 - 30 с.
10. Караваєв Д.М., Щукін Г.Г. СВЧ-радіометричні дослідження Вологозапа...
