- •Технология искусственных нейронных сетей.
- •Базовые принципы технологии искусственных нейронных
- •Биологический нейрон
- •Биологическая нейронная сеть
- •Вычислительные возможности
- •Развитие теории нейросетей
- •1957 г. Фрэнк Розенблатт (Frank Rosenblatt)
- •1982 г. Теуво Кохонен (Teuvo Kohonen) Теория ассоциативной памяти
- •1990 г. Джефри Элман (Jeffrey Elman) Рекуррентные нейронные сети
- •Простая модель синаптической связи
- •Персептрон
- •. Математическая модель нейрона
- •. Передаточныенейронов функции искусственных
- •.Принципы функционирования ИНС
- •.Преимущества нейросетевого подхода
- •.Основные направления использования
- •Проблема синтеза ИНС
- •Алгоритмы обучения нейросетей
- •Свойства успешно обученных ИНС
- •Обучение «С учителем»
- •Пример №1 – Решение не найдено (градиентный метод наискорейшего спуска)
- •Пример №2 – Достигнут локальный минимум
- •Пример №3 – Достигнут глобальный минимум
- •Алгоритм обратного распространения ошибки
- •Обучение «Без учителя»
- •Пример самообучения карты Кохонена
- •Области применения ИНС
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач прогнозирования и восстановления рядов данных
- •Решение задач классификации
- •Решение задач классификации
- •Решение задач классификации
- •Другие решенные задачи с применением ИНС
- •Подробнее о технологии ИНС в геофизике
- •Интернет-сервисы на основе технологии ИНС в режиме реального времени
Решение задач прогнозирования и восстановления рядов данных
Результат восстановления Dst при использовании нейросети с обратной связью. Сплошная линия – реальные значения индекса Dst, точечная – восстановленные ИНС. РЕ=83%.
Использование ИНС позволяет определить параметры околоземной среды, которые оказывают наибольшее влияние на формирование геомагнитных бурь. Такими параметрами являются компонента Bz ММП, модуль B ММП, скорость плазмы V и ее плотность ρ. Добавление к ним параметров, которые с физической точки зрения не должны оказывать влияние на формирование геомагнитной бури, не
Интернет-сервис прогнозирования индексавлияетDstна наточность12 часов представлен по адресу [ предсказания. ] в
spacelabnnov.110mb.com/index_preddst.html
режиме реального времени. Расчет выполняется на основе разработанного метода с использованием 12 независимых ИНС Элмана, выполняющих прогноз на соответствующий интервал, с использованием предыстории и параметров солнечного ветра.
Решение задач прогнозирования и восстановления рядов данных
Прогнозирование ионосферных параметров
[Бархатов Н.А., Ревунов С.Е., Урядов В.П. Технология искусственных нейронных сетей для прогнозирования критической частоты ионосферного слоя F2 // Известия ВУЗов
«Радиофизика», 2005, Т. 48. С. 1-15;
Бархатова О.М., Урядов В.П., Вертоградов Г.Г., Вертоградов В.Г. О пространственно- временной корреляции максимальной наблюдаемой частоты на среднеширотных
Предложенырадио иниях // ИзвестиянадежныеВУЗовнейросетевые«Радиофизика», 2009,методыТ. 52, прогнозированияNo 10, С.28-35]
ионосферного КВ радиоканала для повышения надежности радиосвязи. Выполнен поиск наиболее оптимальных архитектур ИНС, отвечающих требованиям поставленной задачи.
ИНС с выделенным входом |
ИНС с блоком шлюзования входных |
|
данных |
Решение задач прогнозирования и восстановления рядов данных
Результат прогноза f0f2 на час. Входной |
Результат прогноза f0f2 на 30 мин. В |
|||
массив – предыстория и производная |
качестве |
дневных |
параметров |
|
f0f2. Сплошной |
линией показана |
использовались солнечно-зенитный угол и |
||
реальная |
последовательность, |
интенсивность рентгеновского излучения, а |
пунктиром – прогноз. PE=92%, R=0.96 |
в качестве ночных – модуль ММП и индекс |
|
b2i. Сплошной линией показана реальная |
||
|
||
|
последовательность, пунктиром – прогноз. |
|
|
PE=97%, R=0.98 |
|
Прогноз в режиме реального времени доступен по адресам: |
||
[spacelabnnov.110mb.com/index_haarp.html] и |
||
[spacelabnnov.110mb.com/index_predf2.html]. |
Система позволяет получать прогноз частоты для высокоширотной
станции Gakona/HAARP (Аляска) и среднеширотной станции Chilton
Решение задач классификации
образов
Многопараметрическая классификация последствий солнечной активности
[Бархатов Н.А., Левитин А.Е., Ревунова Е.А. Классификация комплексов космической
погоды с учетом характеристик плазменного потока из солнечного источника //
Геомагнетизм и аэроном я, на рецензии]
Разработана техника классификации комплексов космической
погоды, включающей в себя образы характеристик возмущенного солнечного потока (параметры солнечного ветра и компоненты межпланетного магнитного поля) с учетом типа его солнечного источника и его геомагнитного проявления в форме Dst-индекса.
Классификация выполнялась с помощью нейронной сети типа слоя Кохонена, в которой количество входных нейронов равнялось числу точек в исследуемом сигнале, а количество выходных – числу задаваемых классов.
В качестве входных параметров нейросети используются: среднее значение вектора магнитного поля В, компоненты магнитного поля Bx, By и Bs, температура Т, концентрация N,
скорость V, импульс NV,
Архитектура слоя
Кохонена
Решение задач классификации
образов
Эффективность обучения нейронной сети оценивалась по результатам анализа значений весовых коэффициентов в слое Кохонена. Для всех 50 комплексов участвующих в классификации, были построены гистограммы, на которых в процентном соотношении показано, насколько тот или иной комплекс принадлежит к каждому из восьми классов.
Процентное распределение значений весовых коэффициентов для комплексов параметров классификации №1 (а) и №2 (b). Класс- победитель, которому соответствует максимальное значение весовых
коэффициентов (100%), показан светлым столбцом.
Решение задач классификации
образов
В результате проведенной нейросетевой классификации, были выделены восемь классов комплексов космической погоды
«солнечный источник – тип возмущающего потока – геомагнитное возмущение». На их основе возможно более подробное изучение воздействия на магнитосферу Земли различных потоков солнечной плазмы и выполнение прогнозирования глобальной геомагнитной обстановки по
полученными
Класс 3 – слабые магнитные бури, |
Класс 6 – сильные классические бури, |
источниками которых были CIR, или CIR |
вызываемые СМЕ с ударными волнами или |
и HSS. |
комбинациями МС и их оболочек |
Другие решенные задачи с применением ИНС
Восстановление пробелов в записях отдельных магнитных обсерваторий по данным других станций
Пересчет современных индексов полярной активности к классическим
Взаимное восстановление индексов AU/AL и ASY/SYM при учете параметров околоземного пространства
Космическая классификация глобальных геомагнитных возмущений
Классификация разрывов параметров космической плазмы
Контроль пространственной динамики полярной шапки и полярного овала по данным гренландской сети
магнитных станций
Подробнее о технологии ИНС в геофизике
История развития технологии ИНС
Математические модели нейронов и нейросетей
Теоретические обоснования
возможности создания ИНС
Способы представления информации в нейронных сетях
Нечеткие нейронные сети
Применение ИНС в задачах солнечно-земной физики
Интернет-сервисы на основе технологии ИНС в режиме реального времени
Прогноз Dst-индекса глобальной геомагнитной активности в реальном времени на 12 часов.
Прогноз критической частоты ионосферного слоя F2 на 24 часа
Краткосрочный прогноз на 4 месяца и долгосрочный прогноз на 2 года числа солнечных
spacelabnnov.110mb.пятенcomв реальном времени
Нейросетевое восстановление