利用小波变换压制静态效应的方法

利用有限元大地电磁二维正演程序模拟了二层大地低阻静态效应的地电模型,研究了静态效应产生的原理及其影响,并利用小波变换方法对静态效应进行压制,相对于其他常规空间滤波法来说,取得了较好的压制效果,证实了小波变换方法在压制静态效应当中的可行性和有效性。用小波变换方法对某工区实测EH-4音频大地电磁资料数据进行分析、处理,从数学上识别和判断了静态效应,在较好地压制静态效应的同时又能较好地突出地层原本的地质异常。     

BP小波神经网络在边坡位移预测中的应用

用优化的BP小波神经网络建立的预测模型对吊钟坝边坡的变形量进行了预测。引入了共轭梯度反向传播算法来优化BP小波神经网络,从而使网络计算量大为减少,避免了网络产生局部最优的弊端,有效提高了网络的质量。与未优化的BP小波神经网络和BP神经网络的预测结果进行比较可以看出,优化的BP小波神经网络的预测值更接近GPS实测值。     

基于小波分析的MT静态效应识别及校正

大地电磁测深中,观测结果常受静态效应的影响而发生畸变,增加了资料解释工作的难度。基于小波分析理论,提出使用Daubechies小波分解对有静态效应测点进行有效识别。建立含有静态体并镶嵌有高阻异常体的地垒模型,分别采用中值滤波方法、相位法和小波分析方法进行了静态效应的校正。结果表明:相位法校正结果不稳定,相对误差随频点起伏较大;中值滤波方法在高频段误差较大;基于多尺度小波分析校正方法比较稳定,误差基本不超过5%,能够有效的压制静态效应。采用小波分析方法对某区大地电磁(MT)实测数据进行了静态效应识别和校正,取得比较理想的效果。      

小波神经网络在测井油水解释中的应用

作者在本文中讨论了小波神经网络概念和油水测井曲线段的频率特性。以小波分析为数据预处理工具，首先用小波分解高频成分对测井曲线进行分段，然后应用小波分析提取出测井段的分频能量特征向量，以此向量代表井段的信息，并作为神经网络的输入，进行神经网络的测井解释，实现了小波神经网络的测井分段油水解释。     

非线性回归分析的PSO小波网络方法及应用

文章介绍了粒子群算法（PSO）和小波神经网络的基本原理，把基于粒子群小波网络的混合算法应用到非线性回归问题中，并对算法解决非线性回归问题进行了实践分析，最后建立了测井响应值和物性参数孔隙度之间的回归模型。从仿真结果可以看出，本方法的回归值和岩心分析值符合较好，表明粒子群小波网络进行非线性回归分析是一种有效的数据回归方法。     

小波神经网络在重磁资料反演中的应用前景

对BP神经网络在重力密度界面反演以及小波分析在位场分离上的应用进行了深入的研究,进而对小波神经网络在重磁资料反演中的应用前景进行了分析、评价。     

小波变换在BP神经网络遥感影像模式识别中的应用

通过经小波压缩降噪后的遥感影像,结合Bp神经网络进行遥感影像模式识别,与未经小波变换的BP神经网络进行遥感影像模式识别结果对比,总结出影像经小波变换后对于提高神经网络识别效率有很好效果。     

基于粒子群优化算法的小波神经网络缝洞型储层识别模型

针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

联合多种数据驱动建模方法的滑坡位移预测研究

边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。     

基于遗传算法优化的BP神经网络在密度界面反演中的应用

BP神经网络方法在二维密度界面的反演中取得了较好的效果,但在反演三维界面时,由于模型更复杂、参数更多,BP神经网络的收敛速度和反演精度都有一定程度的下降。为了改善反演效果,本文利用遗传算法对BP神经网络的权值、阈值选择过程进行优化,获得了更好的网络模型;并将此模型应用于密度界面模型的反演中,预测误差从上百米减小到数十米,同时迭代计算步数减少了近2/3,有效减少了计算时间,反演结果更准确。利用基于遗传算法优化的BP神经网络反演了法国某地区莫霍面深度,预测相对误差仅为1.8%,取得了较好的应用效果。基于遗传算法优化的BP神经网络在密度界面的反演中具有良好的应用价值和研究前景。     

水库群优化调度函数的人工神经网络方法研究

提出了研究水库群优化调度函数的人工神经网络方法,并探讨了神经网络的训练参数、训练方法和训练样本的改变对网络训练和应用效果的影响。实例研究表明,模型及其算法是可行的、有效的。     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

复杂地表初至层析地震静校正技术及其应用

复杂地表条件的煤层气地震勘探资料处理对静校正有较高要求。折射静校正具有较好的静校正效果,但对于地表起伏大、纵横向速度变化剧烈的复杂地区则难以取得较好的效果。建立横向速度变化大且基岩裸露的地震模型进行理论试算,分析了层析静校正的特点及适用条件,指出了层析静校正中应该注意的关键问题。实例验证结果表明:层析静校正更适合复杂地表煤层气地震资料的处理。      

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。     

隧道围岩破坏模式的进化神经网络识别

隧道围岩破坏受很多因素的影响,其破坏模式的识别是一个复杂的非线性系统辨识问题,采用一般方法很难得到好的解答。基于作者提出的免疫进化规划,并把它同神经网络(NN)相结合,提出了一种全新的结构及权值同时进化的进化神经网络(ENN)模型,用于围岩破坏模式的识别研究,用一个试验算例证明了进化神经网络具有解决此问题的良好性能。     

基于PSO-BP神经网络的基坑周边地面沉降预测方法研究

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。     

人工神经网络在澜沧江某电站坝基右岸复杂岩体分类中的应用

结合云南省澜沧江某水电站工程实例,应用BP人工神经网络方法建立3层BP网络模型。选取岩石单轴抗压强度、岩体完整性系数、RQD、节理面粗糙度系数、节理面风化变并系数、透水性系数等6个影响因素为输入变量,对坝基右岸复杂岩体进行质量分类。通过对比分析发现,BP网络模型经多次学习后,预测岩体质量类别时辩识能力较强,结果可靠,取得了较好的实际应用效果。      

基于Alpha稳定分布概率神经网络的围岩稳定性分类研究

工程围岩是一种高度非线性的复杂动态系统,其影响因素众多,单一的评价指标已不能准确描述围岩分类情况。目前,综合考虑多种指标评价围岩分类的方法很多,但围岩评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标,无法满足概率神经网络（PNN）样本层中采用高斯分布作径向基函数的要求,因此,提出一种对称Alpha稳定分布（SaS）。SaS有更广泛的数学表达,其径向对称特性还可充当PNN样本层中高斯分布。在SaS的基础上,建立广州抽水蓄能电站二期工程围岩分类评价的SaS-PNN模型。预测结果表明,SaS-PNN模型具有良好的预测效果,其误判率为为4.55％。可为地下工程围岩分类评价提供一种新思路。     

基于卷积神经网络和火山岩大数据的构造源区判别

早先的构造源区判别图由于受时代、研究区域、研究思路以及研究手段、分析技术和样本数量的限制, 存在某些不足,导致部分学者在研究中遇到各种困惑和矛盾。在大数据的冲击下,部分传统图解的可靠性正在接受考验。本文提出了一种将地球化学数据二维图像化的方法,将GEOROC数据库中来自11个构造环境的火山岩数据生成了34 468张灰度二维码图像。根据深度学习理论和方法构造了卷积神经网络(CNN)模型,利用其中75%的二维码数据进行自动学习和训练。该模型可以对不同来源的火山岩数据进行有效分类,总体分类准确度可达95%以上。该模型具备较好的泛化能力,可以作为日常工具辅助人工进行火山岩样本的构造源区的判别。