Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей

Количество обучающих данных было 120 измерений, что в 5 крат больше количества связей в двухслойном персептроне с 3 нейронами на каждом слое. Количество эпох обучения равнялось 100 в один период установления весов.

Рис. 12. Расчет весов в зависимости от количества эпох при обучение нейронной сети, созданной мето

дом автоматического подбора параметров

Рис. 13. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом обратного распространения ошибки

Рис. 14. Расчет весов в зависимости от количества эпох обучения при обучение нейронной сети двухслойного персептрона методом сопряженного градиента

Из рисунков видно, что наиболее быстро «обучаемой» нейронной сетью, является двухслойный персептрон, устанавливающий параметры весов методом сопряженного градиента. При увеличении количества нейронов на слоях нейронной сети период становления увеличивается во всех вышеприведенных методах обучения нейронной сети.

3.4 Решение поставленной задачи на экспериментальных данных методом нейронных сетей

Из экспериментальных данных полученных на производственной практике делается тестовая выборка яркостных температур трех радиометров в момент получения проб влажности почв. Таким образом для тестирования нейронной сети у нас будут два эталона: теоретический расчет яркостной температуры по методу инвариантного погружения на основе экспериментальных данных влажности почв и экспериментальные данные влажности почв.

Рис. 15. Критические или противоречивые данные

Ошибки и фиксации противоречий возникали при восстановлении параметров почв по яркостным температурам, на тех данных, которые были получены в момент эксперимента, когда один из радиометров отключался или выдавал нечеткий результат.

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении прямой задачи (получение яркостной температуры почв с заданными параметрами) вводим входные данные: экспериментально полученные влажность, глубину слоя.

Получаем на выходе из нейронной сети яркостную температуру для трех радиометров определенные, в среднем, с точностью ±5К.

Таблица 3

Почва

Данные полученные экспериментальным путем

Данные полученные сетодом нейронных сетей

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

2,00

25,218

-

145

153

151

148

154

0,398

3,00

24,059

-

145

153

152

147

148

0,19886

1,00

9,590

151

142

160

154

140

158

0,29657

1,00

15,873

176

160

178

178

165

183

0,17143

2,00

8,109

181

169

182

179

168

181

0,27314

3,00

14,223

179

152

174

184

147

176

0,26757

1,00

13,844

196

174

199

195

174

200

0,222

2,00

10,936

190

175

196

185

177

199

0,31871

3,00

17,515

187

194

203

187

195

205

0,29629

1,00

15,852

179

-

212

181

198

210

Песок

0,32057

1,00

17,656

-

199

225

194

201

230

0,27286

2,00

14,204

-

202

226

193

200

221

0,31829

3,00

17,483

-

207

224

199

212

224

0,24457

1,00

12,333

214

210

231

212

205

233

0,08486

2,00

4,249

220

223

235

225

221

234

0,17657

1,00

8,377

214

210

231

209

215

226

0,17371

2,00

8,228

220

223

235

220

222

235

0,19

3,00

9,098

216

203

219

218

198

221

0,09714

1,00

4,721

230

216

240

234

216

241

0,12057

2,00

5,692

224

221

240

228

223

243

0,11571

3,00

5,483

208

239

245

205

240

247

0,39314

1,00

23,628

204

-

241

204

216

246

Страница:  1  2  3  4  5  6  7  8  9  10  11  12 


Другие рефераты на тему «Физика и энергетика»:

Поиск рефератов

Последние рефераты раздела

Copyright © 2010-2024 - www.refsru.com - рефераты, курсовые и дипломные работы