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 у двошаровому Персептрон з 3 нейронами на кожному шарі. Кількість епох навчання дорівнювало 100 в один період встановлення ваг.
В
Рис. 12. Розрахунок ваг в залежності від кількості епох при навчання нейронної мережі, створеної методом автоматичного підбору параметрів
В
Рис. 13. Розрахунок ваг в залежності від кількості епох навчання при навчання нейронної мережі двошарового персептрона методом зворотного поширення помилки
В
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 В«навченоюВ» 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 поставленого завдання на експериментальних даних методом нейронних мереж
З експериментальних даних отриманих на виробничій практиці робиться тестова вибірка яркостних температур трьох радіометрів в момент отримання проб вологості грунтів. Таким чином для тестування нейронної мережі у нас будуть два стандарти: теоретичний розрахунок яркостной температури за методом інваріантного занурення на основі експериментальних даних вологості грунтів і експериментальні дані вологості грунтів.
В
Рис. 15. Критичні або суперечливі дані
Помилки та фіксації суперечностей виникали при відновленні параметрів грунтів за 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 і 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 яркостную температуру для трьох радіометрів певні, в середньому, з точністю В± 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
