CC BY
10Программные редктва и информационные технологии
УДК 004.032.26
О РЕШЕНИИ ЗАДАЧИ КЛАССИФИКАЦИИ ТИПОВ ПОЧВЫ СРЕДСТВАМИ СИСТЕМЫ NETWORK MODELER
Ю. А. Истомина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: juliklapa@yandex.ru
Рассматривается применение нейросетевого подхода для решения задач классификации сложных текстур, полученных с космических спутников.
Ключевые слова: нейронные сети, пример использования нейронных сетей, распознавание типов почвы, дистанционное зондирование.
SOLUTION OF SOIL TYPES CLASSIFICATION TASK BY NETWORK MODELER
Yu. A. Istomina
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: juliklapa@yandex.ru
An application of the neural network modeling for solving classification problems of complex textures delivered from space satellites is dealt with.
Keywords: neural network, an example of the use of neural networks, pattern recognition soil types, remote sensing.
Сегодня нейросетевое моделирование успешно применяется для решения различных практических задач, носящих интеллектуальный характер. Существует огромное количество программных средств и мощных библиотек для построения нейросетевых моделей.
В ходе исследования возможностей нейросетевого моделирования была разработана программная система Network Modeler, предназначенная для автоматизированного создания и применения нейросетевых моделей послойной архитектуры, предварительной обработки обучающего множества, визуализации процесса проектирования конфигурации и обучения искусственных нейронных сетей. Разработанная программная система обладает рядом преимуществ перед существующими аналогами, позволяет получать ней-росетевые модели для разных практических задач и уже доказала свою эффективность при решении задачи прогнозирования вибрационных характеристик турбины [1].
В связи с развитием дистанционного зондирования Земли появляется потребность обработки больших массивов данных. Одним из примеров обработки таких данных является классификация типов почвы по исходным данным со спутника Landstat NASA.
Исходные данные получены из наблюдений различных участков земной поверхности спутником Landstat NASA с использованием радаров в различных спектральных диапазонах (36 входных параметров - 4 спектральных диапазона для матрицы из 9 пикселов). База данных представляет собой файл, содержащий 6 435 записей [2].
В каждой линии данных из 4-х спектральных значений сначала даны значения для верхнего левого, за
ним следуют значения для верхнего среднего, затем верхнего правого, далее последовательно слева направо и сверху вниз.
Требуется построить нейросетевую классификационную систему (на выходном слое используется линейная переходная функция) с наименьшей ошибкой тестирования.
Для обучения использовать первые 5 000 записей, остальные - для тестирования.
Выход нейросети должен принимать одно из следующих значений:
1. Глинистая (красная) почва.
2. Посевы технических культур (хлопок).
3. Серая почва.
4. Увлажненная серая почва.
5. Покос (стерня).
6. Смесь всех перечисленных покрытий (в базе данных отсутствует).
7. Очень влажная серая почва.
База данных содержит все перечисленные классы кроме 6-го, данный класс был извлечен из базы данных из-за необоснованности его существования.
Для решения задачи была подобрана нейронная сеть с входным слоем из 36-ти нейронов, скрытым слоем из 12-ти нейронов и выходным слоем из 7-ми нейронов. В ходе обучения нейронной сети на начальных итерациях обучения наблюдалось снижение средней ошибки обучения.
После 3000 итераций точность обучения перестала изменяться. Средняя ошибка при обучении составляет 5 %.
При тестировании нейронной сети были получены соотношения классов, представленные на рисунке.
Решетневскуе чтения. 2013
■1 опп
1400 ■ 1358 ■ 1378 148«
■ Класс 1
О Р- ■ Класс 2
Р и V опп ■ Класс 3
s § 703 626 /U! 706 631 □ Класс 4
□ Класс 7
Статистика базы данных Результаты нейросетевой модели
Сравнение распределения строк по классам
Таким образом, практическая задача классификации типов почвы была успешно решена. При ее решении была использована возможность автоматического подбора архитектуры нейронной сети под обучающее множество, которая успешно обучилась и при тестировании дает хороший результат по точности настройки параметров, что позволяет отметить возможность качественного решения различных задач с помощью разработанного программного обеспечения Network Modeler.
Библиографические ссылки
1. Истомина Ю. А. Система автоматизации проектирования искусственных нейронных сетей послойной архитектуры // Решетневские чтения : материалы XVI Междунар. науч. конф. (10-12 нояб. 2011,
г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2012.
2. The artificial databases [Электронный ресурс]. URL: https://www.elen.ucl. ac .be/neural-nets/Research/ Projects/ELENA/elena.htm. (дата обращения: 09.09.2013).
References
1. Istomina Yu. A. Cistema avtomatizacii proektirovanija iskusstvennyh nejronnyh setej poslojnoj arhitektury (Automatization of multilayer perceptron modeling). SibGAU, 2012, 609 р.
2. The artificial databases URL: https://www.elen.ucl.ac.be/neural-nets/Research/Projects/ ELENA/elena.htm.
© Истомина Ю. А., 2013
УДК 004.422
СТАТИСТИЧЕСКИЙ АНАЛИЗ ТРУДОЕМКОСТИ ПРОЕКТИРОВАНИЯ
ВЕБ-ПРИЛОЖЕНИЙ
А. К. Итименева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Существует множество свободно распространяемых и коммерческих инструментальных средств проектирования веб-приложений: HTML-PHP, CMS, Silverlight, ASP.net и др. Какой из программных инструментов выбрать в каждом конкретном случае и каким способом осуществить этот выбор, чтобы, с одной стороны, минимизировать затраты на реализацию процесса проектирования, а с другой - получить оптимальное по критериям потребительского качества веб-приложение?
Ключевые слова: веб-приложения.
