WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


Pages:     | 1 || 3 | 4 |

1. заявленные и разрабатываемые алгоритмы достаточно сложны и не столь просто реализуемы. Их применение связано с трудностями, вызванными большой размерностью входных данных, невозможностью получить ряд требуемых параметров непосредственно из результатов радиоволнового зондирования, а также рядом прочих факторов, приводящих к нелинейности задачи в целом;

2. точность работы сложных алгоритмов недостаточна и пока проигрывает обработке данных непосредственно человеком. Используемые модели работают, исходя из определенного рода приближений и допущений. Алгоритмы используют вероятностные модели, которые только пытаются соответствовать реальному поведению данных, либо только для таких вероятностных моделей возможно обосновать и реализовать рабочий алгоритм;

3. эффективные методы классификации, базирующиеся лишь на данных радиоволнового зондирования, существуют только для ограниченных случаев. Остается открытым вопрос о совместном использовании информации, полученной в радиоволновом диапазоне, с информацией, полученной из других источников. Актуален вопрос доступности данных – некоторые методики обработки могут предъявлять к данным ДЗ невыполнимые на сегодняшний момент требования (например, невозможность в данный момент получить информацию в нужном диапазоне, с нужной поляризацией и т.п.).

Исходя из изложенного материала, можно утверждать, что обратные задачи ДЗ являются слабо формализованными (плохо структурированными, плохо определенными) задачами. Но подобные задачи и являются преобладающими в человеческой деятельности. Слабо формализованные задачи обладают следующими свойствами:

1. Ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о предметной области и о решаемой задаче. Для этих задач трудно строить формальные теории и применять классические математические методы, поскольку в ситуациях, в которых они возникают, имеет место один из двух случаев: а) уровень формализации соответствующей предметной области и (или) доступная информация таковы, что они не могут составить основу для синтеза математической модели, отвечающей классическим математическим или математикофизическим канонам и допускающей изучение классическими аналитическими или численными методами; б) математическая модель в принципе может быть построена, однако ее синтез или изучение связаны с такими затратами (сбор необходимой информации, вычислительные ресурсы, время), что они существенно превышают выигрыш, приносимый решением, либо выходят за пределы существующих технических возможностей, либо делают решение задачи бессмысленным.

2. Ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных. В этих задачах «по определению» существует «плохая» исходная информация, характеризующая сложную в семантическом и структурном отношении ситуацию, – она ограниченная, неполная (с пропусками), разнородная, косвенная (характеристики внешних проявлений процесса, причем не всегда относящиеся к принципиальным особенностям лежащего в его основе механизма), нечеткая, неоднозначная, вероятностная. В этих задачах известно слишком мало для того, чтобы можно было пользоваться классическими методами решения (моделями), но всетаки известно достаточно, чтобы решение было возможно.

Для слабо формализованных задач в некоторых предметных областях могут быть свойственны также большая размерность пространства решения и высокая динамика предметной области.

Один из эффективных подходов к решению слабо формализованных задач, а также созданию систем, способных самостоятельно анализировать природные объекты по предоставляемой информации и формировать экспертное заключение состоит в использовании информационных моделей на основе искусственных нейронных сетей (ИНС). Основной принцип такого подхода состоит в моделировании внешнего функционирования системы с помощью «черного ящика» с чисто информационным описанием – на основе данных экспериментов или наблюдений. Обычно такие модели проигрывают формальным математическим по степени «прозрачности» и «объяснимости» получаемых результатов, однако важной особенностью таких моделей является отсутствие ограничений на сложность моделируемых систем, а также возможность функционировать в режиме реального времени, что является все более актуальным аспектом в области обработки данных мониторинга Земли.

Использование ИНС позволяет избежать ряда проблем при решении задач инверсии и классификации данных ДЗ. Преимущества ИНС очевидны в случае, когда исследуемые данные являются разнотипными и плохо согласуются с известными законами распределения, на которых базируются статистические алгоритмы. Несмотря на популярность карт Кохонена и RBFсетей, наиболее распространенным типом ИНС является многослойный персептрон, для которого имеется развитая база алгоритмов обучения. В работах большинства исследователей применение ИНС называется эффективным и успешным в сравнении с традиционными методами при соответствующих ограничениях и допущениях, однако попыток провести анализ работы использующего ИНС алгоритма практически не проводится. Между тем, привлечение развитых методик нейроинформатики позволит получать дополнительные знания о работе создаваемых ИНС и проблемной области исследования, что приведет к получению оптимальных для данной проблемы ИНСрешений. Этот этап является важным, поскольку позволяет удостовериться в правильности работы ИНС, расширить знания об особенностях проведенных измерений и зависимости искомых параметров от входных величин, скорректировать необходимый набор измеряемых данных для последующей обработки.

Таким образом, опираясь на большое количество проведенных исследований для самого широкого спектра задач обработки данных дистанционного зондирования, можно сделать вывод о целесообразности и перспективности применения ИНС для решения задач данной работы. Также следует отметить необходимость интеграции методик нейроинформатики по исследованию и оптимизации нейросетевого блока в общую методику разработки базирующегося на искусственной нейронной сети алгоритма обработки данных ДЗ, что дополняет основную задачу исследования – разработку алгоритмов обработки данных радиометрического и радиолокационного дистанционного зондирования с применением искусственных нейронных сетей.

Во второй главе «Восстановление параметров почвенного покрова по данным радиометрического зондирования» изложен способ нейросетевого определения температуры и влажности почв по данным радиометрических измерений, методика оптимизации и анализа нейросетевого алгоритма (решение задачи инверсии).

При дистанционном зондировании важным является факт зависимости мощности принимаемого излучения от температуры, влажности, шероховатости и минералогического состава почв. В целях удобства проведения исследования работы нейросетевого алгоритма этап выполнения радиометрических измерений (получение значений радиояркостных температур) смоделирован искусственно.

Радиояркостная температура TB связана с мощностными характеристиками излучения следующим соотношением:

(1) где TC – температура растительного покрова, K; TS – температура почвы, K; Rsur – коэффициент отражения для поверхности; G – коэффициент прохождения для растительности (в работе полагается G = 1).

Вычисление коэффициента отражения осуществляется численно методом инвариантного погружения изза вертикальной неоднородности входящей в коэффициент отражения комплексной диэлектрической проницаемости (КДП). Неоднородность реализована посредством введения профилей влажности W = W(z).

Рис.1. Используемый в работе профиль влажности W = W(z) Вариацией параметров d1 и d2 реализуются практически все возможные профили влажности почв, оказывающие влияние на интенсивность излучения.

Для расчета входящей в коэффициент отражения комплексной диэлектрической проницаемости (КДП) почвы (e) в работе использована рефракционная модель диэлектрических свойств смесей. Она представляет собой описание влажностной зависимости диэлектрической проницаемости почв. Модель является наиболее успешной при работе в диапазонах СВЧ, учитывает двойственность диэлектрических свойств почв, определяемых содержанием связанной и свободной воды [Комаров С.А., Миронов В.Л. Микроволновое зондирование почв. – Новосибирск:

Научноиздательский центр СО РАН, 2000 – 289 с.]. Различие между свободной и связанной водой устанавливается при представлении влажностной зависимости для квадратного корня из комплексной диэлектрической проницаемости, поскольку экспериментально наблюдается точка излома влажностной зависимости при значениях объемной влажности W=WT. Меньшие значения соответствуют влаге в грунте в связанном состоянии, большие – в свободном. Учитывая, что, рефракционная модель имеет вид:

(2) где e’ и e’’ – действительная и мнимая часть КДП почвы, ns – коэффициент преломления для почвы, nd – коэффициент преломления для сухой смеси, nb – коэффициент преломления для связанной воды, nu – коэффициент преломления для свободной (несвязанной) воды, k – коэффициент поглощения с индексами, аналогичными коэффициентам преломления, WT – объемное содержание связанной воды; W – объемное содержание свободной воды.

Значения радиояркостных температур вычисляются для широкого диапазона температур (273К … 301К), влажности (W = W(z, d1, d2)) и типов почв, которые задаются через WT (0.02 … 0.21). На основе опыта предыдущих исследований проведено моделирование измерений с орбитальных комплексов SMOS (1.43 ГГц, Lдиапазон, углы визирования 50° и 20°, поляризация H и V) и AMSR (10.7 ГГц, 55°, поляризация H и V). К значениям радиояркостных температур для приближения модельных результатов к реальным добавлен аддитивный случайный шум с нормальным распределением и стандартным отклонением s = 1К или s = 2К. Влияние неровности поверхности учитывается с помощью параметра RGH, задающего среднеквадратичное (эффективное) значение возвышенностей. Таким образом, входными данными являются 6 каналов со значениями радиояркостных температур на разных частотах и поляризациях. Определяемыми параметрами являются температура почвы, влажность на поверхности W и влажность в слое почвы толщиной 5 см от поверхности Wsl.

Концепция получения и работы алгоритма определения температуры и влажности почв по данным радиометрического наблюдения с применением ИНС, а также получения и обучения самой нейронной сети приведена на рис. 2. В работе использована ИНС типа «многослойный персептрон» с функцией активации «рациональная сигмоида» с двумя скрытыми слоями. Данные проходят предобработку – перенормировку в интервал [–1; 1]. Обучение ИНС осуществлено методом обратного распространения ошибки с оптимизацией по методу сопряженных градиентов. Число нейронов в скрытых слоях подбирается в процессе выполнения численного эксперимента, изначально полагается по 1 нейрону в каждом скрытом слое и далее увеличивается по мере необходимости. Из комплекса обученных ИНС выбирается наилучшая. На каждом этапе из 4000 сгенерированных отсчетов случайным образом отбирается 5% для составления обучающей выборки. Тестовая выборка включает в себя 50% отсчетов. Точность определения температуры поверхности задана равной ± 2К, точность получения W и Wsl равной ± 0.02.

Основными показателями оценки качества определения целевых параметров являются коэффициент корреляции (R) и среднеквадратическая ошибка (RMSE) между полученными и тестовыми данными. В условиях созданной искусственно модельной реальности во всех случаях наиболее удачной оказывалась ИНС с 5 нейронами в каждом скрытом слое. Примеры, на которых ИНС не смогли обучиться, удалялись из обучающей выборки – таких примеров иногда оказывалось до 30 % от всего числа, что в последствии не сказывалось отрицательно на работе ИНС. Увеличение числа нейронов в скрытых слоях приводит к ухудшению работы ИНС – сокращению числа определенных с заданной точностью искомых параметров и увеличению среднеквадратической ошибки. Такое поведение объясняется тем, что ИНС теряют свои обобщающие свойства и обучаются реагировать на влияние различных случайных параметров как на полезный сигнал, поскольку обладают достаточным запасом вычислительной мощности.

Pages:     | 1 || 3 | 4 |




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.