3703947794

2, (16) Omówić metodę porównania skumulowanych obwiedni echa z modelami różnego rodzaju dną,

Metoda ta polega w ogólności na porównywaniu echa jakie dostaliśmy z trzymanymi w bazie danych wzorcowymi echami dla różnych typów dna. Mówimy o skumulowanych obwiedniach echa, poniważ są one całkowane.

Skumulowane obwiednie ech rzeczywistych przed klasyfikacją są uśredniane po kilku realizacjach. W procesie klasyfikacji przyporządkowywany jest ten typ dna, dla którego krzy wa teoretyczna jest najbardziej zbliżona do zmierzonej, w sensie całki z wartości bezwzględnej ich różnicy . Schemat algory tmu klasyfikacji dna morskiego opisaną wyżej metodą przedstaw iono na ry sunku:

OBWIEDNIA ECHA

:

Detekcja echa od dna

i

Wycięcie echa od dna

i.....>1    |

Całkowanie i normalizacja

Uśrednianie

Porównanie

Klasyfikacja

3, (17) System nęuronowo-rozmyty ANFIS w zastosowaniu do rozpoząnwanią dną,

Sy stem neuronowo-rozmyty to system, który do klasy fikacji dna wykorzy stuje sztuczną sieć neuronową pracującą w logice rozmytej. Na jego wejście podajemy pomierzone parametry dna (np. różne parametry' obw iedni echa), tam są one fuzzyfikowane (tj. konwertowane na pojęcia z zakresu logiki rozmytej np. "‘silnie narastająca obiednia" zamiast sztywnego liczbowego współczy nnika opisującego to narastanie) i wpuszczane w sieć neuronową. Na wejściu tej sieci powinno być tyle neuronów ile mamy parametrów, w środku tyle ile mamy reguł rozmyty ch, a na jej wyjściu tyle neuronów', ile rodzajów dna chcemy rozróżniać (jako wynik przyjmuje się dno odpow iadające neuronow i wyjściowemu na który m będzie najwyższa wartość). W ogólności system taki może być nieadaptacyjny bądź adaptacyjny. W pierwszym przypadku sieć neuronową po początkowym wytrenowaniu pozostaje już bez zmian, w drugim może się na bieżąco aktualizow ać, tak by popełniać jak najmniej błędów .

System ANFIS jest właśnie adaptacy jnym systemem neuronowo-rozmytym, z siecią neuronow ą składającą się z 3 warstw (wejściowa, ukry ta, wyjściowa). Jest to system typu feed-forward, czyli informacje lecą z wejścia przez środek na wyjście, bez sprzężeń zw rotnych.

Proces uczenia systemu składa się z kilku etapów'. Na początku, dla każdego parametru wejściowego generow ana jest pew na liczba funkcji przynależności równomiernie rozmieszczonych w całym zakresie wartości. Następnie, tworzona jest nowa reguła, dobierana tak, aby uzyskać możliwie najwyższy stopień przynależności bieżącego obiektu do swojej klasy. Reguła ta jest dodawana do początkowo pustego, zbioru