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