1 НЕЙРОННЫЕ СЕТИ 7
1.1 Биологический нейрон 7
1.2 Искусственный нейрон и нейронная сеть 8
1.2.1 Функции активации 9
1.3 Архитектуры нейронных сетей 10
1.3.1 Однослойная нейронная сеть 11
1.3.2 Многослойная нейронная сеть 11
1.3.3 Сети прямого распространения 12
1.3.4 Рекуррентные сети 12
1.4 Метод обучение нейронной сети 13
1.4.1 Обратное распростронение ошибки 13
1.5 Нормализация данных 14
1.5.1 Minmax 14
1.5.2 Среднеквадратическое отклонение 14
2 ЛИНЕЙНАЯ И НЕЛИНЕЙНАЯ РЕГРЕССИЯ. АППРОКСИМАЦИЯ НЕЙРОННОЙ СЕТЬЮ. TENSORFLOW/KERAS. ОПТИЧЕСКИЕ ПАРАМЕТРЫ 15
2.1 Линеная регрессия 15
2.2 Нелиненая регрессия 15
2.3 Аппроксимация нейронной сетью 16
2.4 Почему Python и TensorFlow? 17
2.4.1 Конструктор нейронной сети 18
2.4.2 Вычисление на CPU и GPU 18
2.5 Гиперпараметры и Keras Tuner 20
2.6 Оптические параметры 21
3 РЕАЛИЗАЦИЯ И ТЕСТИРОВАНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ
РАСЧЕТА ОПТИЧЕСКИХ ПАРАМЕТРОВ 23
3.1 Программа для расчета коэффициента асимметрии аэрозольного
рассеяния 23
3.2 Нормализованные данные 24
3.3 Проектирование нейронной сети 27
3.4 Обучение нейронной сети 29
3.5 Финальный этап 30
3.6 Тестирование основной программы и обученной сети 31
Заключение 33
Список использованной литературы 34
Приложение 1 37
Приложение 2 41
Приложение 3 46
Небезысвестно, что на нашей планете Земля происходят глобальные изменения климата, и вместе с этим увеличивается потребность в систематическом контроле и наблюдении за состоянием окружающей среды и атмосферы для избежания каких-либо катастроф или предотвращения их последствий.
В связи с увеличением объема наблюдаемых данных, потребность разработки систем мониторинга постоянно увеличивается, является актуальным разработка алгоритмов, методов, моделей нейронных сетей для мониторинга и расчёта различны параметров. Своевременно рассчитанное или спрогнозированное изменение оптических параметров, которое влечет за собой изменение климата, может позволить как минимум избежать катастроф.
Развитие искусственного интеллекта не стоит на месте, с каждым годом появляется все больше задач в решении которых лучше всего справляются нейронные сети. Анализ больших данных с помощью нейронных сетей с каждым годом становится прогрессивнее.
Нейронные сети — это универсальные аппроксиматоры, и они могут выявлять закономерности и связывать параметры между собой, поэтому их можно использовать для решения различных задач.
Расчет такого оптического параметра как, коэффициент асимметрии аэрозольного рассеяния Га является сложной задачей, в связи с тем, что большая часть вычислений происходит в ручную. Использование нейронных сетей в этой задаче позволит автоматизировать и ускорить процесс нахождения этих параметров.
Целью выпускной квалификационной работы является: спроектировать нейронную сеть для расчета оптических параметров атмосферы.
Для достижения поставленной цель требуется выполнить следующие задачи:
1. Изучить архитектуры нейронных сетей.
2. Спроектировать модель нейронной сети.
3. Программно реализовать модель нейронной сети при помощи TensorFlow/Keras.
4. Обработать и подготовить данных для нейронной сети.
5. Обучить нейронную сеть.
6. Протестировать обученную нейронную сеть.
В ходе выполнения выпускной квалификационной работы были изуче¬ны архитектуры нейронных сетей для решения задач аппроксимации. В результате была выбрана нейронная сеть перцептрон. Для нее были подобраны наилучшие гиперпараметры. Программа реализована на языке Python3 с использованием библиотеки для машинного обучения TensorFlow/Keras. Нейронная сеть обучалась на данных расчетов коэффициентов асимметрии рассеянного светового потока для длин волн 0.675, 0.870, 1.02 мкм. В процессе обучения нейронной сети была до стигнута средняя квадратичная ошибка 0.02. Данная нейронная сеть может внедряться в системы мониторинга за окружающей средой для оперативного расчета коэффициента.
