В.Н. Вологдин Применение нейросетей в обработке эхосигналов В.

Презентация:

Advertisements

Похожие презентации

Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б.

Advertisements

Использование нейросимулятора при определении внешнего вида ребенка по параметрам родителей.

ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ.

Система управления РТК Основная задача системы управления роботом – автоматизация деятельности человека-оператора. Составные части: Система технического.

МОДУЛЬНАЯ АРХИТЕКТУРА НС. Каждая входная переменная связана только с одним из входов модулей. Выходы всех входных модулей соединены с модулем решения.

1 Построение регрессионных моделей и решение задачи предсказания.

Самарский государственный аэрокосмический университет имени академика С. П. Королева Национальный исследовательский университет Выполнили : студент 662.

Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 14 August

Моделирование поведения взаимодействующих агентов в среде с ограничениями Юданов А.А., студент 525 гр. Научный руководитель: к.ф.-м.н. Бордаченкова Е.А.

Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.

Проектирование интеллектуальных информационных технологий методом генетического программирования Липинский Л. Красноярск, СибГАУ.

Обратные задачи: теория и практика Лекция 7. Решение обратной задачи с предварительным обучением. Новосибирский Государственный Университет Физический.

Нейросетевые технологии в обработке и защите данных Обработка данных искусственными нейронными сетями (ИНС). Лекция 8. РАДИАЛЬНЫЕ БАЗИСНЫЕ СЕТИ 1.

Сети глубокого обучения. Локальное и нелокальное в пространстве признаков обучение Прототипом всякого локально-обучающего алгоритма является построение:

Нейросетевые технологии в обработке и защите данных Обработка данных искусственными нейронными сетями (ИНС). Лекция 5. Алгоритмы обучения искусственных.

Тема 10. Архитектура и алгоритмы обучения НС Основные парадигмы нейронных сетей обучения с учителем Однослойный перцептрон f f f х1.

1 Теория и применение искусственных нейронных сетей Тема 2 Т.Б. Шатовская Факультет компьютерных наук, Кафедра ПОЭВМ, ХНУРЭ ХНУРЭ, факультет КН, кафедра.

Метод моделирования статических систем по экспериментальным данным.

Линейная модель парной регрессии и корреляции. 2 Корреляция – это статистическая зависимость между случайными величинами, не имеющими строго функционального.

Нейронные сети. Моделирование нейронных сетей. Модели нейронов. Выполнил: студент 1 курса магистратуры Сергеева Анастасия Юрьевна группа 418 м Москва -

Транксрипт:

В.Н. Вологдин Применение нейросетей в обработке эхосигналов В

. Таблица 1 - Компьютерные программы нейросетей и файлы с данными из эхо интеграционных съемок Используемая компьютерная программа нейросетей и индекс приложения Файлы с данными (эхосигналами) Neuro Net Tool (MatLab), Приложение А A10_38khzwithTVGT051529_600 A10imp18khzwithoutDYSON570 A10imp70khzwithTVGDYSON570 A10imp120khzwithoutTVGODYSON570 A10imp120khzwithTVGODYSON570 NEUROPRO 0.75, Приложение Б NEUROPRO_10imp_18khz_with&without_T NEUROPRO_10imp_38khz_with&without_T STATISTICA 7,0, Приложение В STAT7_10imp_38khz_with&without_T STAT7_10imp_18khz_with&without_T STAT7_1imp_38khz_with&without_T010215

Таблица 2- Данные по выборкам из эхо интеграционных съемок в Беринговом море Название судна, индекс файла/ глубина дна в нач.-в конце Глубина окончания донной реверберации в нач.- в конце, м Глубина эхо- записей в начале/ конце файла, м Профессор Кагановский, T104632/ /200 Слой очень разреженный рыб на фоне помех, с пропусками эхосигналов Профессор Кагановский, T051529/321,06 м-308,80 м / Профессор Кагановский, T162214/75,75-75, /10-75 Профессор Кагановский, T172448/156,77-217, Глуб.2-го дна Нет эхоз.-21,1 (ЗРС) ТИНРО, T203621/150, , Глуб.2-го дна / Припов. и донн. косячки Оскар Дайсон, T010215/207,9-214, /

Рисунок 1– Значения сигнала в ед. Sa из файла А10_38khzwithTVGT051529_600..

Рисунок 2 – Характеристики нейронной сети, соответствующие данным из файла А10_38khzwithTVGT051529_600 Рисунок 2 – Характеристики нейронной сети, соответствующие данным из файла А10_38khzwithTVGT051529_600

Таблица 3 - Характеристики построенной нейронной сети 68 (улов) Профиль сети Произ- води- тель- ность обучения Конт- рольная произ- води- тель- Ность Тестовая производительность Ошиб- ка обучения Конт- роль- ная ошибка Тестовая ошибка MLP 1: :

Таблица 4 - Описательные статистики (Регрессия 68, суммарный улов) Статистические характеристики Значения характеристик Среднее данных Ст.откл. данных Среднее ошибки Ст.откл. ошибки Среднее абсолютной ошибки Отношение ст.откл Корреляция

Рисунок 3- График отклика для переменной pi (модель 68). Уровень отклика – активация выходного нейрона.

Рисунок 4 - Граф построенной нейронной сети архитектуры (MLP 1: :1).

Рисунок 5 - Граф построенной нейронной сети архитектуры РБФ (RBF 1:1-1-1:1) со структурой прямого распространения с одной входной переменной, с одним элементом в скрытом слое и одним элементом в выходном слое.

Таблица 5 - Тесты нейронных сетей (описательная статистика). Файл STAT7_10imp_18khz.

Таблица 6. 1imp_38khz_with&without_T Результаты обучения и тестирования различных сетей.

Рисунок 6 - STAT7_1imp_38khz_with&without_T Профиль : MLP s5 1: :1, Index=5. Train Perf= ; Select Perf.= ; Test Perf.=

ЗАКЛЮЧЕНИЕ 1. Показана неудовлетворительности классического подхода для прогнозирования значений зависимой переменной при обработке данных по эхосигналам и уловам. 2. Определены нейронные сети с наилучшими характеристиками для обработки эхосигналов. Cети пригодны для использования в прогнозировании зависимой переменной Sa. 3. С использованием нейросетевого подхода построены нелинейные регрессионные модели, описывающие связи независимых переменных и прогнозируемых зависимых переменных в экспериментах по изменению плотностей скоплений кальмара и уловов на них. Определены особенности нейросетевого подхода при прогнозировании, интерполяции и экстраполяции эхо интеграционных данных на скоплениях минтая Берингова моря, возможность быстро оценить информативность различных характеристик, подобрать оптимальную длину обучающей выборки, и его ограничения (например, необходима достаточная длина рядов данных).

СПАСИБО ЗА ВНИМАНИЕ