27,24
28,03
3,86
5,22
34,80
43,88
Був проведений цикл вимірювань на протязі чотирьох днів яркостной температури грунту В«суха-волога-сухаВ». 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 грунтів.
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, вибрані за простоту роботи і можливості настроювання потрібної моделі.
Загалом 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 і алгоритмів вимагають серйозних зусиль для експериментального дослідження та порівняння з уже раніше запропонованими. У той же час це надає більшу свободу у виборі напряму в науці, знання якої залучатимуться 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 та вихідних даних.
В
Рис. 8. Двошаровий персептрон з одним прихованим шаром і 3 нейронами на кожному шарі
В
Рис. 9. Двошаровий персептрон з одним прихованим шаром і 5 нейронами на кожному шарі
В
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 є параметри грунтів: об'ємна вологість, рівень шару, і КДП грунту (при аналізі якої можна визначити клас грунту). p> 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. За наявності ж таких, представляється можливим створення комплексу нейронних мереж, одні з яких будуть відповідати за отчистки радіометричного сигналу від шумів, інша - вирішувати основне завдання, в іншому випадку доцільно використання вейвлет фільтрів для очистки сигналу.
3.3 Метод інваріантного занурення. Теоретичний розрахунок. Режим навчання
Метод інваріантного занурення бере за основу шаруватість грунту і різне вологовміст в різних шарах грунту. Шарувата модель за 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 функціям і тільки глибини.
5. Діелектричні і теплові властивості грунтів постійні у шарах певної товщини.
6. Поверхня грунту вважається гладкою. (Рослинність відсутня)
Також будемо вважати, що діелектрична проникність має комплексний вид, тим самим розглянемо найбільш загальний випадок.
Із збільшенням глибини, діелектрична проникність, а також вологість збільшується.
Ця модель розглядає теплове випромінювання шарувато-неоднорідних неізотермічних д...