151871 (622002), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

Рис. 3. Схема передвижного штатива с радиометрами

Рис. 4. Передвижение рамы с радиометрами с одного участка на другой

Рис. 5. Экспериментальные участки

Конструкция и размеры передвижного штатива (рамы) были выбраны исходя из удовлетворения следующим критериям [1]:

1. Эталоны и исследуемые участки должны находиться в дальней зоне антенн радиометров

2. Ширина главного лепестка по уровню 0,5 дб должна быть меньше геометрических размеров, эталонов и участков.

3. Угол наклона антенн должен составлять 10⁰

Участки №1, №2, №3, №4 являются экспериментальными участками, на которых расположены следующие виды почв: земля, загрязненная нефтью, песок, глина, чернозем, соответственно. На участке №5 расположен лист металла, а на участке №6 – емкость с водой. Участки №5 и №6 используются для калибровки оборудования, а измерения снятые с этих участков являются опорной точкой (калибровкой) для расчета яркостных температур почвы участков №1 – №4.

Штатив (рама) передвигается с одного на другой участок, измерения проводятся последовательно радиометрами с частотой 5 Gh, затем 11 Gh, затем 3,6 Gh.

При калибровке радиометров используются следующие эталоны излучения: излучения неба, отраженное металлическим листом, излучение гладкой водной поверхности, излучение поглощающего покрытия. Размеры эталонов должны превышать размеры пятна, излучающего в главный лепесток, чтобы дифракционными явлениями на краях образцов можно пренебречь.

В ходе эксперимента замерялись: время, температура окружающей среды, температура слоя почвы на глубине 0,5 см и 2 см, а также измерялась яркостная температура почв.

Дважды в день брались пробы почв на влажность: поверхностный слой 0–1 см, 1–2 см, и 3–4 см.

Исследуемыми объектами являлись участки №2 и №3, песчаная и глинистая почва соответственно (рис. 4; рис. 5).

Рис. 6. Песчаная почва. Участок №2

Рис. 7. Средний суглинок. Участок №3

Из полученных данных видно, что почти одинаковые в оптическом диапазоне почвы, кардинально отличаются по физическим свойствам.

Таблица 1. Гранулометрический состав почв (% от массы сухой почвы)

	Размер фракций, мм
Почва	1–0,25	0,25–0,05	0,05–0,01	0,01–0,005	0,005–0,001	<0,001	<0,01
Песок(№2)	36,1	43,4	11,4	5,5	1,4	0,9	1,3
Глина (№3)	0,80	27,24	28,03	3,86	5,22	34,80	43,88

Был проведен цикл измерений в течении четырех дней яркостной температуры почвы «сухая-влажная-сухая». Цикл измерений состоит из 39 точек, для трех радиометров разной частоты (и соответственно разной глубины проникновения в почву). Измерения на участках проводятся между двумя опорными точками: калибровкой металлом и водой.

1. Постановка задачи. Поиск алгоритма решения

Задачей построенной нейронной сети должно быть восстановление параметров почв по экспериментальным данным значения яркостной температуры с радиометров различной частоты в момент экспериментального получения проб влажности почв.

Для моделирования методом Нейронных сетей используются несколько программ, среди них прикладной пакет для MathLab 6.1, Statistica Neural NetWorks, NNMath 3.1 и др. Будем использовать программы MathLab 6.1, Statistica Neural NetWorks, выбранные за простоту работы и возможности настройки нужной модели.

В общем случае, для получения алгоритмов и моделей выполняется следующее:

1. Определяется изучаемый класс объектов (представленный входными и выходными данными).

2. Для этого класса выбирается настраиваемая модель (модель, параметры которой можно изменить), удовлетворяющая определенным критериям и требованиям.

3. Выбирается оценка качества идентификации (потери, характеризующие различие между выходными величинами объекта и модели).

4. Формируется алгоритм идентификации, который, изменяя параметры модели, минимизирует потери.

Выбор и разработка моделей и алгоритмов требуют серьезных усилий для экспериментального исследования и сравнения с уже ранее предложенными. В то же время это предоставляет большую свободу в выборе направления в науке, знания которой будут привлекаться для создания новых моделей и алгоритмов.

Будем пользоваться двумя подходами в решении поставленной задачи:

1. Используем модель двухслойного персептрона, и поэтапно увеличиваем количество нейронов на каждом слое с 3 до 5, параметры которых оптимально подобраны в исследовании[15].

2. Функция автоматического подбора параметров, которая присутствует в программе Statistica Neural NetWorks и работает на основе анализа количества и вида входных и выходных данных.

Рис. 8. Двухслойный персептрон с одним скрытым слоем и 3 нейронами на каждом слое

Рис. 9. Двухслойный персептрон с одним скрытым слоем и 5 нейронами на каждом слое

Рис. 10. Нейронная сеть построенная методом автоматического подбора параметров

Радиометрическое исследование природной среды и восстановление требуемых параметров выполняется в работах. С учетом предлагаемой в рефракционной модели КДП почв связь между радиоизлучательной способностью почвогрунта и его КДП может быть разрешена в явном виде относительно объемной влажности. При этом решение содержит ряд априорно задаваемых параметров. Входными данными будут являться яркостные температуры, полученные при теоретическом расчете методом инвариантного погружения. Выходными данными являться параметры почв: объемная влажность, уровень слоя, и КДП почвы (при анализе которой можно определить класс почвы).

В решении поставленной задачи будем считать отсутствие как шума, создаваемого растительностью (т.к. участки в эксперименте были подготовлены и очищены от растительности), так и техногенного шума. При наличии же таковых, представляется возможным создание комплекса нейронных сетей, одни из которых будут отвечать за отчистку радиометрического сигнала от шумов, другая – решать основную задачу, в противном случае целесообразно использование вейвлет фильтров для отчистки сигнала.

1. Метод инвариантного погружения. Теоретический расчет. Режим обучения

Метод инвариантного погружения берет за основу слоистость почвы и различное влагосодержание в различных слоях почвы. Слоистая модель по Башаринову А.Е.

Данная модель содержит следующие допущения:

1. Излучение считается некогерентным.

2. Нет ослабления излучения между поверхностью и антенной.

3. Яркость неба считается изотропной и имеет значение 3К.

4. Влажность и температура считаются функциями только глубины.

5. Диэлектрические и тепловые свойства почв постоянны в слоях определённой толщины.

6. Поверхность почвы считается гладкой. (растительность отсутствует)

Также будем считать, что диэлектрическая проницаемость имеет комплексный вид, тем самым рассмотрим наиболее общий случай.

С увеличением глубины, диэлектрическая проницаемость, а также влажность увеличивается.

Эта модель рассматривает тепловое излучение слоисто-неоднородных неизотермических детерминированных сред с произвольной величиной поглощения. Диэлектрическая проводимость имеет общий комплексный вид:

Пусть температура слоёв имеет следующую зависимость:

,

где z – глубина почвенных слоёв

Для расчета КДП почвы () в работе используется 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 [15].

Рис. 11. Слоистая модель по Башаринову А.Е.

Данная модель учитывает связь свободных и связанных молекул воды в почвах.

Для обучения нейронной сети были использованы данные теоретических расчетов по программе на базе Microsoft Excel, рассчитывающей яркостную температуру по данным КДП полученным, при моделировании методом инвариантного погружения в лаборатории Радиометрического зондирования Земли Омского Государственного Педагогического Университета на основе исследования [15].

Коэффициент диэлектрической проницаемости почв также используется в режиме обучения и восстанавливается по яркостным температурам радиометров различной частоты в нейронной сети с целью классификации типа почв.

Таблица 2. Пример обучающей выборки для соотношений параметров песчаной почвы и яркостных температур при различных частотах радиометра

W, влажность	Е, КДП почвы	dz, глубина погружения	Tf, яркост. Темп. для f=2,73 Gh	Tf, яркост. Темп. для f=6,0 Gh	Tf, яркост. Темп. для f=8,15 Gh
0,02	2,88	0,50	291,57	291,63	291,68
0,04	3,20	0,75	291,15	291,18	291,23
0,06	3,54	1,00	289,89	289,85	289,85
0,08	4,07	1,25	288,61	288,46	288,37
0,10	4,83	1,50	288,47	288,32	288,22
0,12	5,67	1,75	288,25	288,11	288,01
0,14	6,56	2,00	287,98	287,84	287,74
0,16	7,53	2,25	287,66	287,54	287,44
0,18	8,56	2,50	287,32	287,20	287,10
0,20	9,65	2,75	286,95	286,83	286,75
0,22	10,82	3,00	286,56	286,45	286,37
0,24	12,04	3,25	286,15	286,05	285,97
0,26	13,34	3,50	285,73	285,64	285,56
0,28	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

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 методом 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.

1. 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

В обученную нейронную сеть, созданную методом автоматического подбора модели и параметров при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.

Получаем на выходе из нейронной сети данные об объемной влажности почв определенные, в среднем, с точностью 0,04.

Таблица 4

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	Вл-ть	Гл-на	КДП
Глина	0,45714	1,00	29,614	-	142	153	0,965	0,250	31,614
	0,41086	2,00	25,218	-	145	153	0,836	3,750	26,218
	0,398	3,00	24,059	-	145	153	0,976	1,500	22,059
	0,19886	1,00	9,590	151	142	160	0,229	0,500	7,590
	0,29657	1,00	15,873	176	160	178	0,317	1,500	17,873
	0,17143	2,00	8,109	181	169	182	0,121	1,750	7,109
	0,27314	3,00	14,223	179	152	174	0,323	2,500	16,223
	0,26757	1,00	13,844	196	174	199	0,258	1,000	14,844
	0,222	2,00	10,936	190	175	196	0,202	2,500	13,936
	0,31871	3,00	17,515	187	194	203	0,319	3,250	19,515
	0,29629	1,00	15,852	179	-	212	0,646	3,750	23,852
Песок	0,32057	1,00	17,656	-	199	225	0,731	1,500	19,656
	0,27286	2,00	14,204	-	202	226	0,403	4,500	12,204
	0,31829	3,00	17,483	-	207	224	0,838	1,500	17,483
	0,24457	1,00	12,333	214	210	231	0,225	0,500	14,333
	0,08486	2,00	4,249	220	223	235	0,105	1,500	3,249
	0,17657	1,00	8,377	214	210	231	0,127	1,500	6,377
	0,17371	2,00	8,228	220	223	235	0,174	1,750	8,228
	0,19	3,00	9,098	216	203	219	0,210	2,500	11,098
	0,09714	1,00	4,721	230	216	240	0,137	1,000	5,721
	0,12057	2,00	5,692	224	221	240	0,161	2,500	8,692
	0,11571	3,00	5,483	208	239	245	0,086	3,250	7,483
	0,39314	1,00	23,628	204	-	241	0,793	4,500	25,628

В обученную нейронную сеть двухслойный персептрон 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 с точностью 3К для двухслойного персептрона с 3 нейронами на каждом слое и 2К для двухслойного персептрона с 5 нейронами на каждом слое.

Таблица 5

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	151
	0,19886	1,00	9,590	151	142	160		154	140	158
	0,29657	1,00	15,873	176	160	178		178	162	180
	0,17143	2,00	8,109	181	169	182		179	168	181
	0,27314	3,00	14,223	179	152	174		181	150	176
	0,26757	1,00	13,844	196	174	199		195	174	200
	0,222	2,00	10,936	190	175	196		188	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	227
	0,27286	2,00	14,204	-	202	226		193	200	224
	0,31829	3,00	17,483	-	207	224		199	209	224
	0,24457	1,00	12,333	214	210	231		212	208	233
	0,08486	2,00	4,249	220	223	235		222	221	234
	0,17657	1,00	8,377	214	210	231		212	212	229
	0,17371	2,00	8,228	220	223	235		220	222	235
	0,19	3,00	9,098	216	203	219		218	201	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	243

В обученную нейронную сеть двухслойный персептрон при решении обратной задачи (получение параметров почв при заданной яркостной температуре с трех радиометров) вводим входные данные: экспериментально полученные яркостную температуру с трех радиометров разной частоты.

Получаем на выходе из нейронной сети данные об объемной влажности почв определенные с точностью 0,03 для двухслойного персептрона с 3 нейронами на каждом слое и 0,02 для двухслойного персептрона с 5 нейронами на каждом слое.

Таблица 6

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	Вл-ть	Гл-на	КДП
Глина	0,45714	1,00	29,614	-	142	153	0,767	4,500	26,614
	0,41086	2,00	25,218	-	145	153	0,201	2,250	18,218
	0,398	3,00	24,059	-	145	153	0,968	2,500	6,059
	0,19886	1,00	9,590	151	142	160	0,229	0,500	7,590
	0,29657	1,00	15,873	176	160	178	0,317	1,500	17,873
	0,17143	2,00	8,109	181	169	182	0,151	1,750	7,109
	0,27314	3,00	14,223	179	152	174	0,293	3,500	12,223
	0,26757	1,00	13,844	196	174	199	0,258	1,250	13,844
	0,222	2,00	10,936	190	175	196	0,202	2,750	12,936
	0,31871	3,00	17,515	187	194	203	0,319	3,500	18,515
	0,29629	1,00	15,852	179	-	212	0,516	2,500	28,852
Песок	0,32057	1,00	17,656	-	199	225	0,831	0,500	19,656
	0,27286	2,00	14,204	-	202	226	0,503	4,500	12,204
	0,31829	3,00	17,483	-	207	224	0,038	3,000	19,483
	0,24457	1,00	12,333	214	210	231	0,225	1,500	10,333
	0,08486	2,00	4,249	220	223	235	0,105	1,750	2,249
	0,17657	1,00	8,377	214	210	231	0,157	0,500	10,377
	0,17371	2,00	8,228	220	223	235	0,174	2,000	7,228
	0,19	3,00	9,098	216	203	219	0,210	3,500	7,098
	0,09714	1,00	4,721	230	216	240	0,107	1,250	4,721
	0,12057	2,00	5,692	224	221	240	0,131	2,750	7,692
	0,11571	3,00	5,483	208	239	245	0,086	3,500	6,483
	0,39314	1,00	23,628	204	-	241	0,793	3,250	15,628

1. Полученные результаты

В процессе обучения ИНС формирует некоторое скрытое, неявное знание о способе решения поставленной задачи, которое заложено в виде значений весов ее адаптивных параметров. Если требуется лишь получение результата, удовлетворяющего требованиям поставленной задачи, сама ИНС и является конечным решением задачи.

Таблица 7. Погрешность определения данных методом нейронных сетей различных моделей

Погрешность в получении результатов	НС, созданная методом автоматического подбора параметров	Двухслойный персептрон
		С тремя нейронами на каждом слое	С пятью нейронами на каждом слое
Яркостной температуры	5	3	2
Влажность почв	0,04	0,03	0,02

Таблица 8. Скорость обучения нейронных сетей различных моделей

Модель ИНС	НС, созданная методом автоматического подбора параметров	Двухслойный персептрон
		Обучение методом обратного распространения ошибки	Обучение методом сопряженного градиента
Скорость обучения ИНС	150 эпох	3500 эпох	25 эпох

Из приведенных выше таблиц видно что наиболее оптимальной моделью точной моделью для решения данной задачи является двухслойный персептрон с 5 нейронами на каждом слое, а оптимальным методом обучения является метод сопряженного градиента.

Из полученных данных наиболее достоверными считаются результаты, определенные с точностью 2К для T_я и 0.02 для W и Wsl. Обученная ИНС, показывающая наилучшие результаты на тестовой выборке и имеющая необходимый набор служебных процедур для работы с измеряемыми данными и выводом искомых параметров, является в итоге рабочим нейросетевым решателем[15].

Полученная погрешность объясняется следующими допущениями:

• Недостаточный объем данных в режиме обучения

• Трехканальность входных и выходных данных

• Неучет шероховатости поверхности

• Неучет динамики температуры внешней среды

• Пренебрежение шумом растительности

• Пренебрежение техногенным шумом

Выводы

Построены нейронные сети для определения параметров почв с погрешностью в 14–19% и классификации почв на основе разработанного нейросетевого способа определения неоднородности распределения влаги в приповерхностном слое почвы по данным многоканальных измерений в СВЧ-диапазоне [15].

Наиболее удачной в решении как прямой так и обратной задачей можно считать двухслойный персептрон с 5 нейронами на каждом слое (дальнейшее увеличение количества нейронов приводит к ухудшению результатов из-за большого количества связей и малого объёма входных данных в режиме обучения).

Разработанные нейронные сети могут использоваться при определении параметров почв в приповерхностном слое (5 см) при трехканальном радиометрическом зондировании земли, а также классификация типа почв идентичных в оптическом диапазоне.

В настоящее время перспективы дальнейшего развития данных методик обработки данных радиометрического зондирования не вызывает сомнения. Сейчас уже работают комплексы нейронных сетей по определению: влажности, температуры почв.

Серия работ Л.Е. Назарова посвящена вопросам нейросетевой классификации земных объектов (лесов, водоемов).

Разработана методика нейросетевого определения участков лесного пожара по данным RADARSAT-1.

Список литературы

1. Под ред. акад. РАН В.А. Садовничьего. Космическое землеведение. – М.: Изд-во МГУ, 1992. – Ч. 1. – 269 с.; 1998. – 4.2. – 571 с.

2. Башаринов А.Е., Гурвич А.С., Егоров СТ. Радиоизлучение Земли как планеты. – М.: Наука, 1974. – 207 с.

3. Шутпко A.M. СВЧ-радиометрия водной поверхности и почвогрунтов. – М.: Наука, 1986. – 190 с.

4. Арманд Н.А., Крапивин В.Ф., Мкртчян Ф.А. Методы обработки данных радиофизического исследования окружающей среды. – М.: Наука, 1987. – 270 с.

5. Шанда Э. Физические основы дистанционного зондирования: Пер. с англ. – М.: Недра, 1990. – 208 с.

6. Кондратьев К.Я. Ключевые проблемы глобальной экологии // Теоретические и общие вопросы географии. – М.: ВИНИТИ, 1990. – 454 с. – (Итоги науки и техники; Т. 9.)

7. Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. – М.: Наука, 1990. – 247 с.

8. Сост. М. Назиров, А.П. Пичугин, Ю.Г. Спиридонов. Под ред. Л.М. Митника, СВ. Викторова. Радиолокация поверхности Земли из космоса. – Л.: Гидрометеоиздат, 1990. – 200 с.

9. Баранов Д.В., Бобров П.П. Моделирование и экспериментальное исследование собственного радиотеплового излучения влажных почв. // Дипломная работа на соискание степени бакалавра радиофизики – Омск – 2006 – 30 с.

10. Караваев Д.М., Щукин Г.Г. СВЧ-радиометрические исследования влагозапаса атмосферы и водозапаса облаков. Тезисы докладов региональной XXIII конференции по распространению радиоволн. С-Петербург, 1997, с. 76.

11. «Потенциальные возможности бистатического радиометра для наблюдения поверхности Земли с высоким разрешением» // А.П. Верещак, В.В. Пискорж. – Журнал Радиоэлектроники – 2003 – №3

12. Баррет Э., Куртис Л. «Введение в космическое землеведение.» – пер. с англ. – М – Прогресс – 1979 г.

13. «Наблюдение океана из космоса при помощи микроволновых радиометров» Ю.А. Кравцов // Соросовский Образовательный Журнал – 1999 – (44)№7.

14. Медведев В.С., Потемкин В.Г. «Нейронные сети MatLab 6» М – ДиалогМИФИ – 2002 г.

15. Мансуров А.В. дисс. канд. ф.-м.н. «Алгоритмы обработки данных радиоволнового дистанционного зондирования поверхности Земли на основе искусственных нейронных сетей», Алтайский Государственный Университет, Барнаул – 2006

Размещено на Allbest.ru

Характеристики

Список файлов курсовой работы