重力梯度张量的预条件共轭梯度法反演

针对重力梯度张量反演中的问题,提出基于预条件共轭梯度法的重力梯度张量反演.通过在目标函数中加入粗糙度对模型进行约束以避免反演参数远多于采集点数的欠定问题不稳定,并在目标函数中添加深度加权矩阵对核函数进行补偿,以避免核函数随着深度的增大而快速衰减的问题.分别反演、比较各重力梯度张量分量和联合5个独立分量,并将重力梯度张量5个独立联合反演应用于Y型岩脉.研究结果表明:联合反演效果明显优于单一分量的反演效果,且能较好地与原始模型相吻合,证明了本文算法的有效性.     

重力梯度张量解析信号的欧拉反褶积

利用重力梯度张量数据高精度的特点以及解析信号在确定异常体位置上的优势,将重力梯度张量解析信号代替位场的导数完成重力梯度张量解析信号的欧拉反褶积;通过在1个窗口内对1组数据点解3个欧拉方程来自动识别构造指数,从而规避了传统欧拉反褶积方法中需要事先确定构造指数的问题,同时减少了背景场的影响。研究结果表明:使用重力梯度张量的解析信号,其欧拉反褶积的解收敛性很好,能准确地判断地下异常体源的位置,有效规避背景场的影响,反演效果较好。     

重磁反演的拟人工神经网络BP算法及其应用

将神经网络反推算法（ＢＰ算法）引入重、磁场反演，建立了基于神经网络原理描述反演过程的模型，并在通用数字计算机上实现了一种拟ＢＰ算法，实践表明，拟ＢＰ算法作重磁资料反演，具有快速，大维数，容错能力强和便于充分利用已知信息等特点，用ＢＰ算法对湘南地区作重磁参数反演，给出了本区的磁性，密度三维分布特征，进而对本区地壳结构和地质构造得出了新的认识，取得较好效果，神经网络算法的引入，可能带来地球物理场反演方法的革新。     

具有调和曲率张量的拟爱因斯坦流形

本文讨论了拟爱因斯坦流形定义中的两个数量函数及生成元与调和曲率张量的关系,给出了具有调和曲率张量的拟爱因斯坦流形的一个充要条件,即数量函数及生成元应满足的微分方程。同时,做为特例,也考虑了拟常曲率流形中的类似问题。     

BP神经网络算法的研究

给出了BP神经网络的原理、结构、模型、算法及特性,提出了BP算法中值得改进的几个方面.     

BP神经网络算法在修正SIR传染病模型参数反演中的应用

研究了一类修正SIR传染病模型的参数识别问题,给出了参数识别问题的唯一性结论,并利用BP神经网络算法对参数识别问题进行数值求解,通过数值算例说明了该反演算法的可行性.     

BP神经网络及其改进

针对标准BP算法存在的缺陷，从网络结构、算法及初始值选取等各个角度系统总结了BP神经网络的各种改进措施，对各种方法的原理及优缺点作了详尽分析。指出了BP神经网络今后改进的方向。     

基于BP神经网络的故障诊断

本文论述了BP神经网络的结构和学习算法以及应用到故障诊断中的原理和过程。详细地分析了拖拉机变速箱的工作原理,并讨论了利用BP神经网络的优点,应用到该工程的故障诊断中。通过试验证明,基于神经网络的故障诊断已经逐步走向成熟。     

模拟电路故障诊断的BP神经网络方法

提出了一种采用改进型的BP神经网络诊断模拟电路故障的新方法。介绍了包括附加动量法和自适应学习速率法在内的改进型的BP网络算法，其中附加动量法是在每一个权值的变化上加上一项正比于前次权值变化量的值，不仅考虑了误差在梯度上的作用，而且考虑在曲面上变化趋势的影响；自适应学习速率是根据误差函数值的变化对学习率进行实时调整，可以保证网络总是以最大的学习速率学习。最后，本文给出了仿真实例，实验证明所提出的方法与传统方法相比有更好的实时性和诊断效率。     

BP神经网络训练算法的改进

BP神经网络被广泛应用于分类模式识别、图像处理和系统控制等领域。 人们对BP网络算法进行了许多的研究,但尚有其不足之处,为完成其权的训练,问题的关键在于如何避免陷入局部极小及在此前提下如何提高学习速度。为此,就如何选取学习率η和动量矩α提出了改进方案,并应用于数字识别,得到了较为满意的结果。     

基于BP网络的一种改进算法及仿真

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文研究分析了BP神经网络模型的缺陷并提出了优化策略。最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和下降梯度。仿真结果表明,该方法大大地提高了收敛速度,而且算法简单、易行。     

启动压力梯度预测的人工神经网络方法

针对低渗透多孔介质中存在启动压力梯度的问题,分析了影响启动压力梯度的主要因素.采用BP人工神经网络的方法对启动压力梯度进行预测,并结合岩心实际测定的启动压力梯度进行验证.研究结果表明,BP人工神经网络是一种较为有效的预测方法,具有较高的精度.该方法的应用,可以为低渗油田的开发提供可靠的基础数据,节省人力物力.     

概率神经网络技术在地震岩性反演中应用

针对研究区目的储层单层厚度小和储层岩性横向变化较大情况,为了解决利用地震资料进行常规储层预测反演较困难问题,采用概率神经网络方法,讨论了网络模型的构造和预测识别等步骤。根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地层特征进行预测识别,研究结果表明:在实际资料处理中取得了好的应用效果。研究成果对油田勘探开发具有一定的指导意义。     

基于GA-BP神经网络的ACFM实时高精度裂纹反演算法

针对传统交流电磁场检测(ACFM)特征信号难以实现缺陷高精度实时反演的问题,在电磁耦合ACFM探头有限元模型分析的基础上,引入能量谱和相位阈值判定方法实时获取裂纹特征信号,建立裂纹实时反演实验系统并进行裂纹检测实验,基于加入遗传算法的BP神经网络(GA-BP)建立的ACFM实时高精度裂纹反演算法对实验得到的裂纹特征信号进行长度和深度的反演。结果表明:电磁耦合ACFM探头有限元模型可较好地仿真裂纹特征信号;采用能量谱和相位阈值判定方法能够实时获取裂纹特征信号;GA-BP神经网络能够实现裂纹长度和深度的反演,反演精度误差不超过10%。     

砂泥岩地层概率神经网络岩性反演技术应用研究

概率神经网络是一种基于概率密度函数理论的神经网络,能够广泛地应用于模式识别等领域.针对地震岩性反演预测问题,提出了一种具体的概率神经网络方法,包括网络模型的构造和预测识别步骤等.研究区主要目的层为沙溪庙组沙一段湖滩砂及河道砂体,储层单层厚度小,岩性横向变化较大,利用地震资料进行常规储层预测较困难.为此,根据该区储层的测井响应特征、地震属性特征与地质岩性特征的相关性,利用概率神经网络方法对地震属性数据做变换,从而对地层特征进行预测识别.     

用多层前馈网络进行三维储层参数反演的方法

地震反演的主要任务是依据地震资料并综合利用地质、测井等资料得到地下地层的详细信息。三维地震反演需要处理庞大的地震数据体 ,同时在反演过程中既要考虑模型和测井的约束 ,又要考虑地震在横向上的连续性。将地震反演看作是地震数据到储层参数的模糊映射 ,并利用神经网络建立了这种映射关系。针对网络收敛速度慢、学习时间长等缺陷 ,提出了一种学习率自适应调整算法。该算法使每个权都有自己的学习率 ,使网络的训练速度大幅度提高。利用该方法进行地震反演 ,抛开了褶积模型的限制 ,也无须已知地震子波。外推过程是在三维空间内进行的 ,所得的储层参数数据体保持了横向上合理自然的连续性。对该数据体进行三维可视化解释 ,可以直接描述储层的空间展布。     

基于递阶进化规划的RBF网络设计新方法

针对RBF神经网络的特点 ,提出一种递阶进化规划算法 ,利用此方法同时对网络的拓扑结构和网络参数 (权值、隐节点中心和形状参数 )进行优化 ,克服梯度算法需要求导且易陷入局部极小的弱点 ,分别对单入单出和多入单出非线性函数的建模问题进行了仿真 ,验证了该算法的有效性     

大地电磁测深和重力数据贝叶斯联合反演

贝叶斯反演是地球物理联合反演领域的研究热点。目前,虽已有其他方法之间的贝叶斯联合反演文献发表,但鲜有文献涉及大地电磁测深(MT)和重力数据贝叶斯联合反演。现基于非常快速的模拟退火(VFSA)算法实现了MT和重力数据贝叶斯同步联合反演。将MT和重力联合反演的解表达为电阻率和密度的后验概率密度分布,并提取了电阻率和密度的最大后验概率解、均值解和最终迭代解。模型试验表明,参考多种解的表达有助于获得更加接近实际的解,认识解的多解性和不确定性。     

大地电磁测深和重力数据同步正则化联合反演

在以往正则化联合反演中,不同的地球物理方法均采用相同的正则化因子。当不同的地球物理方法的数据拟合泛函和模型稳定泛函的数量级不一致时,单正则化因子条件下的正则化联合反演不能充分发挥不同地球物理方法各自模型约束泛函的作用。针对这点不足,以大地电磁测深(MT)和重力联合反演为例,提出了双正则化因子的确定方法,新方法根据MT和重力方法各自的数据拟合效率实现了正则化因子的自适应调整。设计了非完全共界面的断块模型。模型试验表明:与传统的MT和重力正则化联合反演相比,双正则化因子条件下的MT和重力联合反演可以更好地发挥各自的模型约束泛函的模型约束作用,联合反演的解更符合真实模型。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.