推荐星级:
- 1
- 2
- 3
- 4
- 5
基于遗传神经网络的大地电磁反演
资料介绍
为进一步提高大地电磁非线性反演的稳定性、运算效率及准确度,将遗传神经网络算法引入大地电磁反演.首先针对大地电磁二维地电模型建立BP(Back Propagation)神经网络基本框架进行学习训练,网络输入为已知地电模型的视电阻率参数,输出为该地电模型参数;再利用遗传算法对神经网络学习训练过程进行优化,计算出多种地电模型网络连接权值和阈值的最优解;最后将最优连接权值和阈值对未知模型进行反演测试,网络输入为未知地电模型的视电阻率参数,输出为该地电模型参数.模型实验表明:遗传神经网络算法充分结合了遗传算法的全局寻优性和神经网络的局部寻优性,相比单一神经网络算法,在网络学习训练中提高了解的收敛成功率和计算速度,在反演测试中能更准确地逼近真实模型.将遗传神经网络算法与最小二乘正则化反演进行对比,理论模型和实测数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性.
部分文件列表
文件名 | 大小 |
基于遗传神经网络的大地电磁反演.pdf | 3M |
部分页面预览
(完整内容请下载后查看)第
卷 第
期
4
地
球
物
理
学 报
ꢀ
,
Vol.61 No.4
61
ꢀ
ꢀ
ꢀ
ꢀ
年
月
4
,
A r.2018
p
2018
CHINESE JOURNAL OF GEOPHYSICS
ꢀ ꢀ ꢀ
, ,
王鹤 刘 梦 琳 席 振 铢 等
,
基 于 遗 传 神 经 网 络 的 大 地 电 磁 反 演 地 球 物 理 学 报
.
( ): , : /
.2018.
61 4 15631575 doi10.6038
-
c 2018L0064.
jg
, , ,
Wan H LiuML XiZZ etal.2018.ManetotelluricinversionbasedonBPneuralnetworkotimizedb eneticalorithm.
ꢀ
g
ꢀ
ꢀꢀ
ꢀꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ ꢀ ꢀ
ꢀp
ꢀyg
ꢀ
ꢀg
(
), ():
,
: /
ChineseJ.Geo hs.inChinese 614 15631575doi10.6038c 2018L0064.
jg
ꢀ
ꢀ
-
p y
基于遗传神经网络的大地电磁反演
,
12
,
12
,
12
,
12
,
12
*
,
,
,
,
何航
王鹤
刘梦琳
席振铢
彭星亮
,
中南大学地球科学与信息物理学院 长沙
1
2
410083
ꢀ
,
中南大学有色金属成矿预测与地质环境监测教育部重点实验室 长沙
410083
ꢀ
、 ,
摘要 为进一步提高大地电磁非线性反演的稳定性 运算效率及准确度 将遗传神经网络算法引入大地电磁反演
ꢀ
.
(
BP BackProaation
pg
) ,
神经网络基本框架进行学习训练 网络输入为已知地
首先针对大地电磁二维地电模型建立
ꢀ
, ; ,
电模型的视电阻率参数 输出为该地电模型参数 再利用遗传算法对神经网络学习训练过程进行优化 计算出多种
; ,
地电模型网络连接权值和阈值的最优解 最后将最优连接权值和阈值对未知模型进行反演测试 网络输入为未知
, :
地电模型的视电阻率参数 输出为该地电模型参数 模型实验表明 遗传神经网络算法充分结合了遗传算法的全局
.
, ,
寻优性和神经网络的局部寻优性 相比单一神经网络算法 在网络学习训练中提高了解的收敛成功率和计算速度
,
,
在反演测试中能更准确地逼近真实模型 将遗传神经网络算法与最小二乘正则化反演进行对比 理论模型和实测
.
数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性
.
; ; ;
关键词 大地电磁 反演 遗传算法 神经网络
ꢀ
:
/
doi10.6038c 2018L0064
jg
,
收修定稿
2017053120170627
中图分类号
收稿日期
P631
ꢀ
-
-
-
-
ManetotelluricinversionbasedonBPneuralnetworkotimizedb eneticalorithm
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
g
ꢀ
ꢀ
g
p
yg
ꢀ
,
12
,
12
,
12
,
12
,
12
*
,
,
,
,
HE Han
g
WANG He
ꢀ
LIU Men Lin
ꢀ
g
XIZhenZhu
ꢀ
PENGXin Lian
ꢀ
g
ꢀ
g
,
,
,
1Schoolo GeosciencesandIn oPhsics CentralSouthUniversit Chansha410083 China
ꢀf ꢀ f
ꢀ
ꢀ
-
y
ꢀ
ꢀ
y
g
ꢀ
2Ke Laborator o MetalloenicPredictiono NonerrousMetalsandGeoloicalEnvironmentMonitorin
y f g
ꢀ ꢀf ꢀ ꢀ ꢀ ꢀ
ꢀ
y
ꢀ
g
f
g
ꢀ
ꢀ
ꢀ
ꢀ
(
),
, ,
Ministr o Education Chansha410083 China
y f g
ꢀ ꢀ
CentralSouthUniversit
ꢀ ꢀ
ꢀ
y
( ) ,
Abstract Toimrovenonlinear manetotelluric MT inversion this workintroducesthe enetic
ꢀ
ꢀ ꢀ p
ꢀ
ꢀ g
ꢀ
ꢀ
ꢀg
,
y
( )
neuralnetworkalorithm.Firstl aback roaation BP neuralnetworkframeisconstructed
ꢀ g ꢀp pg ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
fortrainin indifferentmodels.Thenetworkin utsarethea arentresistivit valuesofknown
ꢀ ꢀ ꢀ ꢀ p ꢀ ꢀ ꢀpp ꢀ ꢀ ꢀ
g ꢀ y
ꢀ
ꢀ
,
models andtheoututsarethemodel arameters.Thereasonablenetworkstructureisdesined
ꢀ ꢀ ꢀp ꢀ ꢀ
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
g
,
b determinin thenumberofnetwork nodes.Secondl thelearnin rocessoftheneural
gp
ꢀ ꢀ ꢀ ꢀ
y
ꢀ
g
ꢀ
ꢀ
ꢀ
y
ꢀ
ꢀ
ꢀ
networkisotimizedb usin the eneticalorithmtoobtaintheotimalsolutionofnetwork
ꢀ ꢀp ꢀy ꢀg ꢀ g ꢀ ꢀ ꢀ ꢀp ꢀ ꢀ ꢀ
g
ꢀ
ꢀ
,
connectionweihts.Finall thetrained eneticneuralnetworkisverifiedthrouhinversion in
ꢀ g ꢀg ꢀ ꢀ
gꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
whichthenetworkin utsarethea arentresistivit valuesofunknownmodels andtheoututs
ꢀ p ꢀ ꢀ ꢀpp ꢀ ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
ꢀ
ꢀ ꢀ
p
arethecorresondin model arameters.Exerimentalresultsshow thatthe eneticneural
ꢀp ꢀ ꢀ ꢀ ꢀ ꢀg ꢀ
ꢀ
ꢀ
p
g
ꢀ
p
networkcanmakefulluseofthe lobalsearchin caabilit ofthe eneticalorithmandthelocal
g p y ꢀ ꢀg
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀg ꢀ ꢀ g ꢀ ꢀ ꢀ
ꢀ
ꢀ
,
otimizationoftheneuralnetwork.Com ared withthesinleneuralnetworkinversion the
ꢀ ꢀ
g ꢀ
p
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
oerationefficienc andcalculationaccurac ofthe eneticneuralnetworkareimrovedsinificantl.B
y ꢀ ꢀg y y
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ p ꢀg
p
y
ꢀ
ꢀ
,
comarin the eneticneuralnetworkandleastsuaresreularizationinversion thetestsonsnthetic
ꢀg ꢀ ꢀ ꢀ g ꢀ ꢀy
p
g
ꢀ
ꢀ
ꢀ
-
q
ꢀ
ꢀ
( )
和国家重点研发计划课题
41304090
(
)
联合资助
基金项目 国家自然科学基金
ꢀ
2016 Y FC0303104
.
, ,
女
1978
, , ,
年生 博士 副教授 主要从事电磁法数据处理与反演研究
:
.E mailwanhe46 163.com
-
_
第一作者简介 王鹤
ꢀ
g @
,
男
,
, , ,
年生 教授 博士生导师 主要从事电磁法理论与应用研究
1966 .E mailxizhenzhu 163.com
:
通讯作者 席振铢
ꢀ
*
-
@
1564
(
)
地 球 物 理 学 报
卷
ꢀ
ChineseJ.Geohs.
ꢀ
py
61
andrealdatashowthatthismethodcanbea liedtoMTdatainversionandachieve oodresults.
ꢀ ꢀ ꢀ ꢀpp ꢀ ꢀ ꢀ ꢀ ꢀ ꢀg
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
( ); ; ;
Kewords Manetotelluric MT Inversion Geneticalorithm Neuralnetwork
ꢀ g
ꢀ
g
ꢀ
y
,
Srivastava2007
;
, ; ,
肖 敏
2009
易 远 元 和 王 家 映
) ,
等 由此可见智能非线性算法在地球物理资料
2010
引言
0
ꢀ
反演中发挥着越来越重要的作用
.
、
大地电磁测深法在油气勘探 矿产普查和勘探
,
由于各种反演方法原理上各有特色 一种方法
,
及地质工程等领域得到了广泛应用 其资料的反演
,
并不一定绝对优于另一种方法 而混合优化反演往
,
也得到了长足发展 目前 常用的大地电磁资料反演
.
,
往能综合各自的优点 得到更好的反演效果 童孝忠
.
(
反演
Constableetal.1987 De
ꢀ ꢀ
,
;
(
2008
)
使用单纯形 遗传算法对二维大地电磁数据
-
方法包括
OCCAM
,
GrootHedlinandConstable1993
ꢀ ꢀ
)、
简 化 基
;
进行了反演 戴前伟等
( )
通过将改进的粒子群
2013
OCCAM
-
(
,
SiriunvaraornandE bert2000
ꢀg
)、
快速松弛
,
神经网络结合 进行了电阻率成像
反演
优化算法与
BP
p
p
ꢀ
(
,
;
,
)
和
SmithandBooker1991 Linetal.2009
ꢀ ꢀ
;
非线性反演 师学明等
( )
结合多尺度方法与遗
2000
反演
ꢀ
ꢀ
(
,
Mackieand Madden 1993
ꢀ
;
非线 性 共 轭 梯 度反演
, ;
传算法的优点 建立了多尺度逐次逼近遗传算法 刘
ꢀ
,
RodiandMackie2001
ꢀ
;), ,
在此基础上 国内外学者
( )
将基于不等式约束的最小二乘线性反演
2017
斌等
ꢀ
,
对反演算法进行了一系列的改进和研究 实现了二
,
和遗传算法非线性反演进行结合 应用到三维电阻
(
,
三维
反演
,
率探测中 提高了反演效果 神经网络与其他非线性
.
OCCAM
SiriunvaraornandE bert
p p
ꢀ ꢀg
;
,
;
,
;
韩
2007 Siriunvaraorn 2012 Bekaetal.2016
ꢀ ꢀ
,
反演方法也进行联合 并应用到地球物理资料反演
p
p
, )、
尖锐边界反演
2015
(
,
Smithetal.1999 De
ꢀ ꢀ
;
骑等
(
,
;
,
Aleardi2015 MadiandBeiki2010 Ahmadiet
j ꢀ
;
ꢀ
ꢀ
, ;
GrootHedlinand Constable 2004 Sarvandaniet
ꢀ
,
)
以上研究都表明了在地球物理资料反演
al.2013 .
-
ꢀ
ꢀ
, )、
最小二乘正则化反演
al.2017
(
,
;
Leeetal.2009
ꢀ ꢀ
,
中 多种方法混合优化反演在一定程度上提升了反
,
OskooiandDariani2014
ꢀ
;
, )、
三
2013
冯德山和王珣
, ,
演速度和精度 具有更强的适应性 基于此 本文将
.
ꢀ
j
( , ;
Sasaki2004 Avdeev
维大地电磁的高斯-牛顿反演
遗传算法与神经网络两种非线 性 优 化 算 法 进行结
,
andAvdeeva2009
ꢀ
)、 ( ,
三维快速松弛反演 谭捍东等
,
合 提出了基于大地电磁反演的遗传神经网络算法
,
)、
非线 性 共 轭 梯 度 二 三 维 反演
2003
(
Newmanand
ꢀ
,
利用遗传算法对神经网络的权值和阈值进行优化
,
;
,
,
Alumbauh2000 Linetal.2009 2011
ꢀ ꢀ
;
,
胡 祖 志 等
并通过多种二维地电模型进行网络学习训练和反演
g
;
董浩等
2006
, )、 ( ,
自适应正则化反演 陈小斌等
2014
, ,
测试 将反演结果与经典最小二乘法反演进行对比
)、 (
小波多尺度反演 徐义贤和王家映
2005
, )、
二
1998
验证该算法对大地电磁非线性 反 演的 可 行 性和有
(
次函数 逼 近 非 线 性 优 化 反 演 严 良 俊 和 胡 文 宝
,
效性
.
)、 (
三维数据空间并行反演 胡祥云等
2004
,
)
这
2012 .
,
些研究极大地推动了大地电磁资料的反演实用化
但以上经典反演方法都对初始模型有较大的依赖
且需要进行灵敏度矩阵的计算 而一些新的全局寻
遗传神经网络算法
1
ꢀ
,
.
神经网络
1.1
ꢀ
优反演方法的出现则为大地电磁反演提供了一种新
( )
神经网络根据反向传播的
BP
误差反向传播
, ,
的途径 它们的共同特点是对初始模型依赖性小 无需
,
误差来调节连接权值和阈值 具有很强的非线性模
计算 灵 敏 度 矩 阵 目 前 已 经 实 现 了 神 经 网 络 反 演
.
, ,
拟能力 图 网络示意图 第一层为输入层
. 1 BP
为
(
p
,
;
,
;
SichakandPoova2000ElQad andUshiima2001
ꢀ p
;
由输入向量维数确定 中间层为双隐含
ꢀ
-
y
ꢀ
j
ꢀ
节点数目
M
,
;
,
;
戴前伟
Shimelevichetal.2007 Montahaeietal.2014
ꢀꢀ ꢀꢀ
, , ;
层 节点数可选 一般不同层有不同的节点数 最后
,
;
,
王 鹤等
2015
)、 (
遗传算法反演
PérezFlores
等
2014
,
一层为输出层 节点数目
-
由输出向量维数确定
N .
,
;
,
;
,
;
罗红
柳建新等
andSchultz2002Liuetal.2012
2008
)、 (
模 拟 退 火 法 反 演
Dittmer and
,
不同层的神经元由权值连接 每个神经元带有
ꢀ
ꢀꢀ
,
明 等
2009
ꢀ
一个阈值 第一隐含层节点输入为
.
θ
M
,
Sz manski1995
y
;
, ; ,
胡祖志等
1998
师学明和王家映
,
I
-θ
m
j
()
1
net
j
=
ω
j
∑
m
)、 (
人工鱼群反演 胡祖志等
2010
, )、
蚁群算法反演
2015
m
1
=
,
为第
θ
j
(
, )、
粒子群优化算法反演
2015
(
其中
为输入层第
个神经元的输入值
m
刘剑锋等
I
m
Shawand
ꢀ
全部评论(0)