WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


Pages:     | 1 | 2 || 4 |

Выполненные численные эксперименты и результаты нейросетевого определения температуры и влажности почв приведены в Таблице 1. Согласно результатам, ИНС является устойчивой к шуму, присутствующему во входной информации, адаптируемой к вариациям профиля влажности и неровности поверхности. Обладая при аппаратной реализации высоким параллелизмом и требуя для работы непосредственных результатов измерений, предложенный алгоритм способен функционировать в режиме реального времени. Для всех определяемых параметров R > 0.900, а значение RMSE Ј 3.210 для TS и RMSE Ј 0.360 для W и Wsl. Наличие на входах ИНС аддитивного шума с s>0К в большей степени влияет (ухудшает) на восстановление параметра TS, а неровность поверхности RGH – на определение влажности W и Wsl. Близость к поверхности переходного слоя толщиной d2 увеличивает общий градиент влажности в почвогрунте, что усиливает восприимчивость системы к температурным шумам на входе и неровности поверхности.

Таблица 1.

Восстановление параметров почвенного покрова с помощью использующего ИНС алгоритма по данным радиометрического зондирования № TS, K W Wsl R RMSE, К R RMSE R RMSE WT=0.05…0.21, d1=8, d2=0.05… 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05…3, s=1K 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05…3, s=2K 0, 3, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05… 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05…3, s=1K 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05…3, s=2K 0, 2, 0, 0, 0, 0, WT =0.05…0.21, d1=1, d2=0.05… 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=1, d2=0.05…3, s=1K 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=1, d2=0.05…3, s=2K 0, 3, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05… 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05…3, RGH =1. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05…3, RGH =2. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=3, d2=0.05…3, RGH =3. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05… 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05…3, RGH =1. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05…3, RGH =3. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=8, d2=0.05…3, RGH =6. 0, 1, 0, 0, 0, 0, WT =0.05…0.21, d1=1…5, d2= 0, 1, 0, 0, 0, 0, Выполнение для ряда экспериментов параллельно с алгоритмом, использующим искусственную нейронную сеть, традиционной для лабораторных расчетов линейной регрессии подтверждают адекватность ИНСподхода в целом.

Вычисленные значения W и Wsl позволяют определять градиент влажности в приповерхностном слое почвы. Полагая, что над исследуемым участком профиль влажности задается выражением (3), а Wsl характеризует объемное содержание влаги в верхнем 5см слое почвы (среднее в слое), градиент влажности GR вычисляется следующим образом:

(3) (4) В рамках исследования свойств полученных в исследовании алгоритмов выполнено определение констант Липшица и значимости входов ИНС. Сравнение констант Липшица ИНС и обучающей выборки позволяет сделать вывод о способности уже обученной ИНС данной конфигурации реализовать искомые зависимости, кроме эксперимента №18, где выборочная константа намного превышает константу для ИНС.

Разумное усложнение архитектуры нейронной сети с целью увеличения константы для ИНС это неравенство не изменяет, и оценка работы не улучшается.

Рис. 3. Последовательное сокращение числа входных параметров ИНС экспериментов №3 и №4 (Таблица 1).

Анализ значимости входов ИНС выполнен путем поэтапного удаления наименее значимого входа и последующим тестированием полученной ИНС (рис. 3). Для сетей, функционирующих в условиях смоделированной в исследовании реальности, установлено, что для почв с глубоким верхним однородным слоем (d1=8), наиболее значимыми и достаточными для работы являются всего два входа – значения радиояркостных температур с аппарата AMSR (10.7 ГГц, 55°, поляризация H и V). В прочих случаях (d1=3, d1=1 или RGH № 0) для ИНС достаточными для функционирования оказываются 3 входа, данные в одном из которых отличаются от данных в двух других либо по частоте, либо по углу обзора аппарата (например, два входа – измерения на частоте 10.7 ГГц, угол 55°, поляризация H и V, и третий вход – 1.43 ГГц, угол 50°, поляризация H). Сокращение размерности входного пространства позволяет уменьшить требуемый объем измеряемых данных и исключить дополнительную шумовую нагрузку на ИНС в виде малозначимых входов. И все же в условиях, приближающихся к реальности, ИНС для большей стабильности должна обладать как минимум 4 входами (две различных частоты и поляризации соответственно), а лучше – всеми исходными 6.

Таблица 2.

Сравнение числа итераций при обучении для 1 общей (3в1) и 3 независимых ИНС № Итераций при обучении 3в Ts W Wsl WT=0.05…0.21, d1=8, d2=0.05… WT =0.05…0.21, d1=8, d2=0.05…3, s=2K WT =0.05…0.21, d1=3, d2=0.05… WT =0.05…0.21, d1=8, d2=0.05…3, RGH =1. Исследование ИНС как системы, дающей комплексный ответ, демонстрирует возможность в некоторых случаях (близких к идеальным) получить выигрыш в скорости обучения ИНС в 1030 раз, если алгоритм использует комплекс независимых ИНС, каждая из которых отвечает за свой один выходной параметр всей системы (Таблица 2). В сравнении с одной универсальной ИНС в терминах R и RMSE видимый выигрыш отсутствует.

В третьей главе «Мониторинг сети оврагов с помощью нейронной сети по радиолокационным изображениям» изложены результаты разработки и апробации способа мониторинга сети оврагов с использованием искусственной нейронной сети и методов вейвлетанализа (решение задачи классификации).

В качестве объектов исследования были взяты радиолокационные изображения (РЛИ) территории Алтайского края, полученные в период с 1992 по 1997 гг. с аппарата JERS1 в Lдиапазоне, поляризация HH, разрешение 12.5 м в 1 пикселе, а также многоканальные изображения аппарата SIRC в Lдиапазоне, разрешение 25 м в пикселе. Основным дешифровочным признаком оврагов на РЛИ является высокий уровень интенсивности сигнала за счёт отражения от вертикальных стенок (склонов), а также изза наличия растительности на склонах (если овраг поросший). Сложность состоит в том, что подобная высокая интенсивность сигнала характерна и для искусственных объектов, лесополос и лесных/кустарниковых массивов, и для некоторых площадей, занятых сельскохозяйственными культурами.

Овражная сеть протяженна вдоль направления развития эрозионных процессов, а прилегающая к ней территория зачастую отчуждена и занята степной или луговой растительностью.

Для проведения классификации в качестве целевых заданы участки, определяющие:

1) овражную сеть, 2) лесные и кустарниковые участки (насаждения), 3) прочие элементы. С учетом «похожести» на РЛИ лесополос и искусственных насаждений, имеющих линейную форму, на линии оврагов, они вынесены в отдельный класс для повышения избирательности работы базирующегося на ИНС алгоритма. Общая схема выделения овражной сети на радиолокационном изображении приведена на рис. 4.

Изображение«маска» для определения областей высокой интенсивности сигнала формируется по исходному изображению проходом окна размером 3х3 пикселя с последующей бинаризацией и фильтрацией от помех. Информация об особенностях интенсивности и текстуры на анализируемом участке получается с помощью прямого вейвлетпреобразования для дискретного сигнала в окне размером 64х64 пикселя над рабочим участком с последующим переходом к многомасштабному анализу изображения с извлечением его текстурных свойств.

На каждом шаге прямого преобразования сигнал распадается на две составляющие – приближение с более низким разрешением и детализацию, что по аналогии с преобразованием Фурье называют соответственно низкочастотной (НЧ) и высокочастотной (ВЧ) составляющей. В терминах теории обработки сигналов один шаг преобразования эквивалентен свёртке сигнала с соответствующими НЧфильтром h и ВЧфильтром g – квадратурными зеркальными фильтрами, определяющимися через набор своих коэффициентов.

В работе применяется вейвлетфункция Добеши (Daubechie – D4), для которой h и g задаются 4 коэффициентами c0,…c3 :

(5) Значения коэффициентов определяются из условий, налагаемых на сами вейвлетфункции и выбираемый базис, и оказываются равными:

(6) Основной подход к извлечению текстурных свойств изображения базируется на локальных статистических свойствах интенсивности пикселей и заключается в вычислении статистик первого и второго порядков (матриц смежности).

Многомасштабное представление изображения является более революционным и эффективным шагом в текстурном анализе изображения, что подтверждается исследованиями зрительной системы человека. Математической основой многомасштабного текстурного анализа является теория вейвлетанализа, информация о текстуре при этом извлекается из НЧсоставляющей изображения и ВЧдетализирующей информации. С каждым шагом вейвлетпреобразования масштаб рассматриваемого изображения уменьшается в 2 раза.

Вейвлетпреобразование в рабочем окне размером 64х64 пикселя выполняется дважды, в результате чего из полученных коэффициентов преобразования Dn,k вычисляется 7 энергетических спектральных коэффициентов Wn, которые подаются на вход нейросетевого решателя (рис. 5).

Рис. 5. Выполнение вейвлетпреобразования в рабочем окне и вычисление спектральных коэффициентов.

Нейросетевой решатель включает в себя ИНС типа «многослойный персептрон» с функциями активации вида «рациональная сигмоида». ИНС состоит из двух скрытых слоев и обучается методом сопряженных градиентов. Данные проходят предобработку – перенормировку в интервал [–1; 1]. На выходе решатель выдает ответ о принадлежности элемента (фрагмента) изображения к целевым классам. В силу того, что работа с РЛИ ведётся в специализированной среде ENVI 3.2, реализация адаптивного алгоритма выполнена в виде подпрограммымодуля, который написан на языке IDL и интегрируется в среду ENVI. На РЛИ выделяются участки (ROI – Region Of Interest), по которым получаются обучающие и тестовые выборки. Модуль включает в себя процедуру формирования изображения–«маски», вычисления коэффициентов вейвлетспектра и реализацию имитатора ИНС.

На начальном этапе ИНС содержат по 10 нейронов в каждом скрытом слое.

Результаты работы алгоритма на тестовых участках РЛИ приведены в Таблице 3.

Исходя из приведенных результатов, работа с фрагментом радиолокационного изображения SIRC, Lдиапазон, поляризация HV позволяет получить более высокую точность классификации (на 7% – 17%).

Это опровергает предварительно проведенное изучение и анализ множества входных данных W1 … W7, согласно которому наилучшее распознавание овражной сети должно было происходить на РЛИ JERS1, L, HH. Точно определяются активные овраги;

участки с поросшими и пологими склонами относятся к классу «насаждения».

Возникающие ошибки классификации, очевидно, происходят в силу особенностей формирования РЛИ над искусственными объектами и территориями, занятыми под сельхозугодия, когда текстурные характеристики и значение интенсивности сигнала становятся схожими со значениями, характерными для объектов первых двух классов.

Таблица 3.

Результат тестирования алгоритма определения сети оврагов на различных фрагментах РЛИ   Зона оврагов Насаждения Прочее Изображение Верно Неверно Всего Верно Неверно Всего Верно Неверно Всего Фрагмент (JERS1, L, HH) 83% 17% 89% 11% 90% 10% Фрагмент (JERS1, L, HH)  290 92% 26 8%    197 87% 30 13% 227  92% 8%    Фрагмент (SIRC, L, HV) 98% 3 2% 335  370 96% 12 4% 382  94% 6% 361  Таблица 4.

Результат тестирования различных конфигураций ИНС на фрагменте изображения SIRC, Lдиапазон, поляризация HV   Зона оврагов Насаждения Прочее № ИНС (нейронов в слоях) Верно Неверно Всего Верно Неверно Всего Верно Неверно Всего 1 (12) 320 95% 15 5% 358 94% 24 6% 92% 8% 2 (23) 331 98% 4 2% 372 97% 10 3% 93% 7% 3 (25) 330 98% 5 2% 371 97% 11 3% 93% 7% 4 (36) 332 98% 3 2% 375 98% 2% 92% 8% Проведенный анализ значимости элементов входного вектора нейронной сети позволяет сократить ее размерность с 7 до 4 входов. Однозначного определения значимых входов (спектральных коэффициентов) для всех исследуемых ИНС достичь не удается. Во многом это определяется схожестью спектральных коэффициентов по своему смыслу (например, W3 и W6, W2 и W5, …). Все же для большинства ИНС значимыми являются вход W7, который пропорционален интенсивности сигнала по рабочему окну, а также группа входов W3–W6, соответствующая ВЧсоставляющей двойного вейвлетпреобразования.

Определение оптимальной конфигурации нейронной сети выполнено путем последовательного наращивания числа нейронов в двух скрытых слоях (от 1 нейрона и более).

Pages:     | 1 | 2 || 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.