结构网络最小混合型神经元网络油气预测

基于统计学习理论中的结构风险最小化原理，从理论上给出了神经网络的结构设计方法和实现过程。该方法能自适应地扩展神经网络的容量，从而完成网络的结构设计，并且在有限样本的情况下，阳大限度地提高网络的训练精度和泛化能力，进而提高神经网络预测结果的可靠性。此外，本方法可使神经网络同时具有多种类型的特性函数，增强了网络的信息处理能力。文中给出了该方法在大庆油田某开发区块储层油气检测的应用实例。     

基于人工神经网络的城市桥梁震害评估方法

为了使已有的桥梁震害评估方法适用于城市立交桥和高架桥,将桥梁结构是否规则考虑为评估模型的一项输入参数,并剔除了以往桥梁震害评估方法中不合理的影响因素以提高所提方法的可操作性.基于BP神经网络算法,以唐山地震和汶川地震中收集的54座梁式桥的震害资料作为网络训练样本,建立了梁式桥震害评估神经网络模型;通过讨论神经网络模型的泛化能力,得到了较满意的结果,表明该方法具有一定的准确度,可以应用于城市桥梁震害评估工作.     

基于深层神经网络压制多次波

有效压制多次波一直是地震勘探中的难点问题.尽管已发展了多种多次波压制方法,但仍存在多次波压制不全、计算耗时长等缺陷,使得应对复杂地质地震数据多次波压制具有挑战性.为了突破现有多次波压制方法的局限性,本文提出了一种基于深层神经网络的多次波压制方法,采用的深层神经网络是一种改进的具有卷积编码器和卷积解码器的U-net网络.不同于常规方法依赖于滤波或波动理论,该方法仅依赖于大量训练数据.训练数据以含多次波的原始地震数据作为输入,不含多次波的地震数据作为输出,通过最小化损失函数来优化神经网络参数.训练成功的网络模型具备较好地分离多次波和一次波的能力,可直接用来快速压制地震数据中的多次波,避免了常规方法涉及的大规模计算.工业界模型数据测试结果表明,本文提出的深层神经网络方法能有效压制复杂地质地震数据中的多次波,同时还具有较高的泛化能力和多次波压制效率.     

基于偏微分方程的声波神经网络

神经网络是一种重要的机器学习算法,在地球物理学等领域的应用得到了迅速发展,这主要得益于其在数据建模、信号处理和图像识别等方面的强大能力.然而,神经网络的数学基础和物理解释仍然十分不足,模型内部复杂性使得难以解释其决策过程,限制了神经网络的进一步发展.利用数学和物理方法解释神经网络的行为仍然是一个具有挑战性的任务.本文目标是从声波偏微分方程和有限差分方法出发设计一个声波神经网络结构,该方法将一阶声波方程转化为基于有限差分的离散化声波方程,声波方程有限差分格式与神经网络传播函数具有近似的数学表达形式,可以构建一种基于声波传播物理模型的神经网络.声波神经网络的主要特点是：（1）具有压力-速度耦合结构和层间跳跃连接的神经网络;（2）主变量-伴随变量双流网络结构改善了训练中的梯度消失问题.从声波偏微分方程和有限差分算法出发建立的声波神经网络具有良好数学基础和清晰的物理解释,为在数学和物理方法框架内提高网络性能提供了可行性.数值计算结果表明,声波神经网络在CIFAR-10和CIFAR-100数据集的图像分类任务中性能有明显提升,优于传统残差神经网络.偏微分方程神经网络建模方法可以应用于许多其他类型...     

基于遗传神经网络的大地电磁反演

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.     

基于剪枝贝叶斯神经网络的电阻率成像非线性反演（英文）

针对传统神经网络在电阻率成像反演中存在的过拟合和易陷入局部极值等问题,提出了一种基于剪枝贝叶斯神经网络(PBNN)的非线性反演算法和一种基于K-medoids聚类的样本设计方法。在基于K-medoids聚类的样本设计方法中,利用观测数据的聚类结果提供先验信息构造神经网络的训练样本,从而有针对性地指导神经网络的训练过程;剪枝贝叶斯神经网络是在贝叶斯正则化的基础上,通过评估各隐节点对反演结果的影响来自适应确定神经网络的隐层结构,根据小样本条件下训练样本的先验分布特征,选择了基于广义平均的超参数αk来引导剪枝过程。通过与地球物理领域内其它常用的自适应正则化方法相比较,验证了本文算法的有效性。理论数据和实测数据反演的结果表明:该方法能够较好地抑制神经网络训练过程中噪声的影响,提高网络的泛化能力,其反演结果优于BPNN反演、RBFNN反演和RRBFNN反演以及传统的最小二乘反演。     

结合温度因子估算太湖叶绿素a含量的神经网络模型

神经网络方法估算复杂水体水质参数的优越性已经得到证实.基于太湖水体实测叶绿素a浓度,利用MODIS 250m影像和反演得到的水温数据建立了估算太湖水体叶绿素a含量的两个单隐层BP神经网络模型:NN1模型不含温度因子、NN2模型包含温度因子,采用Levenberg-Marquardt算法训练网络,利用初期终止方法提岛网络泛化能力,均取得了较高估算精度,其中包含温度因了的反演模型精度稍有提高,但不显著.     

神经网络用于岩性及岩相预测的可行性分析

数学可解性是利用神经网络算法求解问题需要首先考虑的问题，其次是用于训练的数据集有效性。本文针对地层沉积相预测问题，从网络映射分析角度计算了三层神经网络容量能力，求证了隐层节点与网络稳定性的关系，并给出内在关系式，从计算能力上分析神经网络用于岩性及岩相预测的可行性，为克服神经网络映射的复杂性和训练数据的不确定性提供理论依据。     

基于模糊Modular神经网络的官厅水库及邻区的地震危险性估计

首先介绍了模糊Modular神经网络的原理、建模方法与仿真实验,然后利用该方法把一些常用的地震学指标作为神经网络的输入,未来50年最大震级则作为网络的期望输出,对官厅水库及邻区的地震活动进行学习与最大震级序列建模,进行危险性预测.通过分析,认为该方法在一定程度上具有学习、建模与外推预测泛化能力,具有很好的中长期地震危险性预测效果,可以作为中长期地震危险性分析的工具.     

基于物理信息约束的神经网络复杂模型高精度走时计算

走时计算广泛应用于地震数据处理中,其中对复杂地表地形的处理一直是走时计算的关键和难点.相比于传统的规则网格,贴体网格的建模方式可以完美地刻画地表的起伏形态.然而,目前常用的方法在利用贴体网格变换解决复杂地形问题的同时,需要针对性地发展适应贴体网格的特殊求解方法,这导致算法复杂且在网格扭曲较大的地方易造成精度损失.基于物理信息约束的神经网络是一种无网格方法,它对程函方程的求解不受具体网格形态的限制.为此,本文中我们将基于物理信息约束的神经网络和贴体网格结合,提出一种有效计算复杂模型中地震波走时的方法;用贴体网格构建任意复杂地质体,然后用基于物理信息约束的神经网络求解该复杂地质体上的地震波传播的走时.另外,我们使用残差神经网络替换了原有的神经网络架构,这在一定程度上提高了神经网络的学习能力.我们利用三组模型的数值模拟结果来验证方法的有效性和高精度;同时讨论了训练替代模型和迁移学习等神经网络技术在复杂模型中计算走时的应用,这极大地加速了实际问题的求解过程,有望在具体问题的求解中得到广泛应用.