Алгоритмы, методы и комплексы программ для решения задач лидарного зондирования атмосферы

• Автор: Суханов, Александр Яковлевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Томск
• Количество страниц: 159 с. : ил.

ГЛАВА 1 АТМОСФЕРА И МЕТОДЫ ЕЕ ИССЛЕДОВАНИЯ
1.1 Структура атмосферы
1.2 Газовые составляющие атмосферы
1.3 Аэрозоли и частицы
1.4 Модели атмосферы
1.5 Контроль окружающей среды
1.6 Основные типы лидаров
1.7 Геометрический фактор лидара[34]
1.8 Моделирование переноса лазерного излучения в атмосфере
1.9 Заключение
ГЛАВА 2 МЕТОДЫ ВОССТАНОВЛЕНИЯ ПРОФИЛЯ КОНЦЕНТРАЦИИ ОЗОНА ПО ДАННЫМ ЛИДАРНОГО ЗОНДИРОВАНИЯ
2.1 Озон
2.2 Метод дифференциального поглощения для исследования стратосферного озона
2.2.1 Метод сплайн - функций
2.2.2 Метод регуляризации Тихонова
2.2.3 Метод оптимальной параметризации
2.3 Анализ методов решения обратной задачи
2.4 Метод нейронных сетей[63-67]
2.4.1 Обзор применения нейронных сетей в задачах оптики атмосферы
2.4.2 Методы обучения нейронных сетей
2.4.2.1 Метод обратного распространения ошибки
2.4.2.2 Генетический алгоритм[97]
2.4.2.3 Обучение нейронных сетей с помощью псевдо-обратных матриц [97-98]
2.4.2.4 Обучение нейронных сетей с помощью комбинированного алгоритма
2.4.3 Создание и обучение нейронной сети [100-102]
2.5 Заключение
ГЛАВА 3 ЗАДАЧИ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ ЛИДАРНОГО ЗОНДИРОВАНИЯ
3.1 Изучение и анализ аэрозольной составляющей атмосферы по данным лидарного зондирования
3.1.1 Поиск аэрозольных слоев
3.1.1.1 Методика" приближенного аналитического определения параметров слоев[115]
3.1.1.2 Поиск слоев на фоне сигналов[117]
3.1.1.3 Метод поиска слоев на основе генетического алгоритма[117]
3.1.2 Анализ пространственно-временной структуры аэрозольных слоев
3.1.2.1 Вейвлет анализ[118]
3.1.2.2 Корреляционный анализ
3.2 Результаты применения предложенных алгоритмов для анализа пространственно-временных данных лидарного зондирования
3.3 Удаление и поиск импульсов последействия[122]
3.4 Заключение
ГЛАВА 4 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ
4.1 Программная система «Анализ»[124]
4.1.1 Сравнение пакета «Анализ» с аналогичным программным обеспечением
4.2 Программная система LDAS[127]
4.2.1 Модель классов разработанной программной среды LDAS
4.2.2 Примеры применения LDAS, для решения задач лазерного зондирования
4.2.3 Сравнение программы LDAS с аналогами
4.3 Программная система Neuroinverse
4.3.1 Обзор программ для имитации работы нейронных сетей
4.3.2 Пример применения программы Neuroinverse для решения задачи трассового газоанализатора на СОг лазере[99]
4.4 Программа для расчета оптических характеристик аэрозолей[39-40]
4.5 Заключение
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

В настоящее время существует все возрастающая необходимость изучения атмосферы и непрерывного контроля ее параметров, что играет важную роль в задачах предсказания погоды, изменения климата, изучения экологической обстановки на различных территориях и в глобальном масштабе. Данные исследования важны для сельского хозяйства, обеспечения должного качества человеческой жизни, выработок долгосрочных экономических планов, предупреждения и предотвращения катастроф [1,2,3].
Во многом образование климата и погодные условия зависят от процессов, происходящих в стратосфере и мезосфере, сведений о которых накоплено еще не так много, в связи с этим необходимо развивать методы исследования параметров атмосферы в ее верхних слоях.
Одним из методов исследования атмосферных составляющих является метод лазерного зондирования, который позволяет, на основе процессов поглощения и рассеяния электромагнитного излучения, получать данные о параметрах атмосферы с высоким пространственным и временным разрешением. Это дает возможность более точно и эффективно решать вышеописанные задачи, выявлять причины, механизмы, темпы и тенденции развития процессов происходящих в атмосфере. Изучение атмосферы с помощью лазерных методов имеет полувековую историю. Сделан огромный вклад в развитие данных методов для изучения различных газовых, аэрозольных составляющих, а также других параметров, таких как температура, давление, скорость ветра, но остается еще множество нерешенных задач, требующих дальнейших исследований [4-11].
Устройством, позволяющим получать данные об атмосферных параметрах на основе лазерного излучения, является лидар. Лидар представляет собой систему, состоящую из лазера и телескопа. Лазерный импульс, излученный в атмосферу, испытывая рассеяние и поглощение на молекулах газов и аэрозолях, регистрируется телескопом.
Лидар, в зависимости от решаемой задачи, может быть установлен на борту самолета, космическом спутнике, на поверхности Земли. Пока еще технологии из-

без учителя не нуждается в целевом векторе для выходов и не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные вектора, то есть, чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные вектора в классы. Но до обучения не возможно предсказать какой выход будет производиться данным классом входных векторов. Таким образом, сети с обучением без учителя удобно использовать для задач классификации, для нашей же задачи целесообразнее обучение с учителем, учитывая множество имеющихся в наличии обучающих пар: профилей толщи и профилей концентрации.
Существует различные методы для обучения нейронной сети. Детерминированный метод обучения шаг за шагом осуществляющий процедуру коррекции весов сети, основанную на использовании их текущих значений, а также величин входов, фактических выходов и желаемых выходов. Стохастический метод обучения, выполняющий псевдослучайные изменения величин весов, сохраняя те изменения, которые ведут к улучшению результатов работы сети. Эвристические алгоритмы обучения, к которым относится генетический алгоритм поиска, моделирующий процессы природной эволюции и позволяющий из множества решений (популяций) выбрать наилучшее решение. К детерминированным методам относится алгоритм обратного распространения ошибки, к стохастическим методам относится машина Больцмана и машина Коши.
Решение задачи восстановления концентрации газа можно осуществить на основе интегрального уравнения (2.25), для одной длины волны Хоы:
гт(й) - оптическая толща, с учетом вклада молекулярной составляющей; та(И) - оптическая толща, учитывающая вклад аэрозольного ослабления. Входами для сети будут служить значения числа полученных фотонов на данной длине волны рассеянных с данной высоты, либо значения сигналов, деленные на
Ы{Х,2) = ^Рл(Х,2)С{2)А^ы?{-2.т{Х,И))

(2.25)