《神经网络在地球物理反演中的应用.pdf》由会员分享，可在线阅读，更多相关《神经网络在地球物理反演中的应用.pdf（9页珍藏版）》请在金锄头文库上搜索。
1、年月地球物理学进展第卷第期神经网络在地球物理反演中的应用程方道中南工业大学长沙摘要本文简要介绍神经网络与神经计算机,神经元模型层状网络结构,误差逆传播算法及其在地球物理反演中的应用关健词神经网络神经元层状网络误差逆传播算法地球物理反演神经网络,常简称为册究是 当代高科技热点之一年代 中后期在世界范围内出现了神经 网络开发研究热潮在美国、日本等一些工业发达国家里,竞相研究开发神经网络与神经计算机本文讨论神经网络在地球物理反演中的应用前景神经网络与神经计算机川早在年代就开展了神经网络的研究从年代到年代初的这段时期,神经网络的研究处于缓慢发展的低潮期美国联邦基金有年之久对神经网络方面的研究未投人资金
2、,前苏联也取 消了几项有前途的研究计划年以来,美国加州理工学院生物物理学家霍普菲尔德叩采用全互连型神经网络模型,利用所定义 的计算能量函数,成功地求解了计算复杂程度为完全型 的旅行商问题简称为这项突破性的进展引起了广大学者对神经网络信息处理方法和研制神经计算机的热潮通用数字电子计算机冯诺依曼型计算机 尽管在提高计算速度和扩大 内存容量方面有很大进展,日本于年提出研制一种有渊博知识、能推理会学习的新一代智能计算机的计划并没有达到第五代机的原定目标这就使人们考虑到有必要进一步了解分析夕、脑神经信息处理和存储的机理 特征,以便寻求一条新的人工神经网络智 能信息处理途径神经计算机也称神经网络计算机,意
3、思就是按照人 的神经网络功能结构原理构成的计算机近几年来,世界科技发达国家竞相研制神经计算机年,美国国防部高级研究计划局宣布投资亿美元,以执行一项为期八年的研制神经计算机的计划日本通产省把神经计算机列为年代的最大研究开发项目年月,日本富士通公司宣布研制出世界上运算速度最快的神经计算机,它有个神经元,每秒运算亿次年月,日本日立公司宣布研制成每秒亿学习运算的神经计算机,它由块超大规模神经元集成电路组成,每块集成电路包括个神经元本文年月日收到同年月日收到修改稿地球物理学进展年如果将人脑神经系统信息活动的特点与现行的冯诺依曼计算机的工作方式作一对照比较,就可以看出以下的重大差别人在识别一幅图象或作了一
4、项决策时,并不像现行计算机那样按预先编好的程序一条接一条地执行指令,而是存在于脑中多方面知识和经验同时进发而迅速作出解答人脑中多 达。一”数量级 的神经元基本处理单元 提供了巨大的空间存储容量,存储有大量的知识和经验,在需要时能以很高的反应速度作出处理判断这就是说,巨量并行性是人脑信息活动的一个重要特点人脑 中信息处理和存储单元结合在一起,这是人脑信息处理的又一特点现行计算机的存储地址和存储 内容是彼此分开的由于人脑神经元兼有信息处理和存储功能,所以在进行回忆时,不但不存在先找存储地址而后再调出所存内容的问题,而且还可以由一部分内容恢复全部 内容人脑不像现行计算机那样,只能被动地执行已编好的程
5、序,而是能够通过 内部自组织、自学习的能力,不断地适应外界环境,有效地处理各种模拟的、模糊的或随机的 问题人工神经网络是涉及学科面很广的新兴高科技要使人工神经网络能够向生物神经网络学习,就必须研究神经生理科学,了解神经系统的结构,了解脑信息活动的生理特征,了解它是如何接收信息、传递信息和存储信息的认知科学中的连接主义。原理被广泛用于研究脑中物理过程到认知过程 的映象表达、编码理论等按照连接主义原理,神经网络中所有处理器 即神经元的数字化活动形成一个巨大的状态矢量空间控制神经元相互作用 的方程包括连接权值,这种权值在训练过程中按照学习规则 变化神经网络的运算操作和性态分析 中,需要用到多方面的数
6、学工具和物理原理要建立各种数学模型理论要研究非线性网络方程迭代求解的收敛性,解的存在性和全局稳定性神经网络组合优化间题可以等效为信息论中的编码间题,需要研究如何在人工智能中,不仅依靠形式化的语法信息,而且能利用具有含义的语义信息从总的方面看,神经网络与神经计算机的开发研究包括如下四部分内容通过神经解剖学、神经生理学以及认知科学的研究,进一步了解脑神经系统的微观结构和宏观机制,阐明由脑中物理空间向认知空间映射的原理在向生物神经网络学习的基础上,建立相应的人工神经网络的数学模型,分析模型的各种特性和功能软件方法和硬件方法实现神经 网络和神经计算机开发神经网络及神经计算机在各种领域 中的应用神经元模
7、型由于人脑神经网络极为复杂,因此需要建立一种简化的大脑模型,最基本的就是神经元模型神经元是神经网络的基本元件,它一般是多输人、单输出的一个非线性处理单元神经元最简单最具代表性的模型是年由及提出的形式神经元模第卷第期程方道神经网络在地球物理反演中的应用型,称为一模型,其结构如图所示其中 石、几,人 为神经元“接受其他神经元传来的输出,甲。甲甲为神经元拜,与前一层神经元的连接权,神经元之间的连接权可用已知样本集通常称为训练集采用训练算法来确定设“,接受的总输人为 戈,则一艺,图人工神经元的一模型神经元本身具有闹值 氏,其输出为万厂的非线性函数,即一一伽厂 一般取形态为状的函数,有人称厂为神经元的激
8、活函数,厂一卫一、,气一否见图形函数的形式为其中刀为表示神经元活化特性或激活特性的参数,通常取刀为提高学习效率,每个神经元的阂值。也可 以通过学习来改变厂在很大的正宗量达到极大值,表示相应神经元是非常活跃的,在很大的负宗量厂佃达到极小值,表示相应神经元是抑制的输人结点输忠结点隐含层、图形函数图四层正反馈网络地球物理学进展年此外,还有混沌神经元模型,和以混沌神经元模型为处理元件的混沌神经元网络【,但目前实际应用还不多层状网络结构脑神经系统中大量神经元的联结在结构上、功能上都是非常复杂的,最常用的结构模型是层状网络结构层状人工神经网络 由排成层状的神经元组成图是四层网络结构示意 图,每一结点代表一
9、神经元,组成分布式计算系统输人层各神经元用于接受外界的输人,输出层各神经元给出经网络变换后的输出层状网络可以具有多个 中间层,通常采用一个或两个中间层生物神经元之间通过突触连接通讯在层状网络中,一个层内的所有神经元与邻层的所有神经元连接,信息从输人层 流向输出层在训练阶段,拟合误差信息向相反的方向流动生物神经元之间的突触连接在计算机实现中用 连接权来表示,连接权度量神经元之间的连接强度每个神经元接受的总输人对是前一层神经元输出的线性叠加对一艺甲,口一上式的含意与式相同其中少为第层第个神经元的总输人,叭是第层的各个神经元与第层神经元之间的连接权,少一,是第层神经元,向第层神经元的输出 此外,结构
10、模型还有自编组 网络,一网络,网络,二机模型噜误差传播一,简称算法大脑的智能来自两方面遗传和后天的学习,后天的学习对智能的形成起着非常重要的作用人工神经网络是对生物神经系统的模拟其信息处理功能是由网络的单元神经元的输人输出特性激活特性、网络的拓扑结构神经元的连接方式、连接权的大小 突触联系的强度和神经元的闭值可视作特殊的连接权 所决定的按生物神经网络的突触修正假说,神经网络在拓扑结构固定时,其学 习归结为连接权的变化到目前为止,已经 出现许多神经 网络模型及相应的学习算法对学习算法 的分类也有多种,如联想式与非联想式学习,监督与非监督学习,分层连接与相互连接学习等学习的规则有误差修正型学习,随
11、机型学习,赫布型学习以及竟争型学习等从现有的神经网络在地学 中的应用文献看,大多数采用误差修正型学习中的误差逆传播算法,也叫做逆传播算法一,简称误差修正型学习是一个监督学习过程,其基本思想是利用单元希望输出与实际输出之间的偏差作为连接权调整的参考,最终减小这种偏差算法把网络输出端出现的误差归结为各连接权的“过错”,通过把输出层各单元的第卷第期程方道神经网络在地球物理反演中的应用昊差逐层 向输人层逆向传播分摊给各层单元,从而获得各层单元的参考误差,以便调整相应的连接权自从年等提出最初的算法以来,目前已有多种算法,下面介绍文献夕断用 的算法首先在输出层计算实际输出与期望输出之差,再将这一误差乘以处
12、理单元变换函数激活函数的导数求得第个处理单元的输出误差厂一二。一。上式中上标表示输出层,下标为单元编号,为单元实际输出,为期望输出求得层各单元的误差鲜后,由下式求该层与前一层连接权叽的修正值叫附二一叮上式中为学习系数,这一系数确定了学习规则,由网络设计者给定由层各单元的误差耳及连接权吟反推 ,层各单元的误差库,的公式为一,一又一,艺甲七各种算 法 获得某些突出进展,例 如扭年 开 发的 田,可以朗读英语课文系统在地球物理反演中的应用地球物理反演是根据各种地球物理方法的观测结果定量估算地下的物理性质在原理上,能根据大地对电磁波、电流及地震波的响应,地球重力场和磁场数据来估算地下断面的电导率、地震
13、波速度、密度及磁化强度的分布这是一个主观过程,因为反演模型是实际地下断面的高度理想化模型而且,即使能准确计算反映这些观测资料的物理参数,很可能出现各种方法描述的构造彼此不一致在试图用不 同地球物理方法 的综合数据来克服多解性和不一致时,在很大程度上取决于对每种数据主观确定的权实际上要由单一地球物理方法准确估算相应的参数是非常困难的问题多解性是位场固有的物理本性对于地震和 电磁法测量数据,多解性来源于数据不充分、有干扰和选用 的模型不恰当此外非 线性反演过程本身也造成多解性自适应模式识别,以 下简称已被证 明在语言识别、看书识别及军事目标判定等领域是有效的这些成功部分地是由于其目标输出集合比地球
14、物理反演所要求的要小得多为开发对一般地球物理反演有效的模式识别方法,需要对输人空间的不同表示方法和神经网络结构作出重大努力为实现这科努力,下面先考察现行自动反演方法所遇 到 的 困难现行 自动地球物理反演方法实际上是等权拟合,忽略了数据集合的某些部份比其他部地球物理学进展年份更重要在用不同地球物理方法获得的数据作联合反演以消除由单一方法反演出现的多解性时,有另一种类型的赋权问题给各种数据的权重将强烈影响反演结果最常用的自动反演方法都基于某种阻尼线性最小二乘法,也就是都基于某种形式的梯度下降过程,导致所得的解处于离初期最近的极 小点而并非总体极小此外求解的维数变量数也受到限制最小二乘法 的另一
15、问题是非高斯型干扰引起 的麻烦,即方法的健全性差还有一个问题是,现有反演方法没有保留经验而浪费了大量时间下面介绍两个国外实测用解释航磁结构年在美国科罗拉多与 内布拉斯加州交界处 的一盆地进行了勘查油气的高精度航空磁测测线沿东西方向,连络线沿南北方向,平均飞行高度,调平后精度横贯大陆的弧形构造沿北东向穿过盆地北部,盆地有厚层古生代碳酸岩以及石炭纪砂岩、页岩,被古生代以来周期性 活动的构造划分为不同的构造单元航空磁测是勘查盆地 内二叠纪宾夕法尼亚层隆起圈闭油储的重要方法在盆地内已发现许多储量可观 的油田在两处开采油田上有微弱而完整的航磁异常,其中之一的异常幅值约,剖面上异常宽度约设计了三层系统研究
16、航磁显示的构造异常网络包括个输人单元,个隐含单元,个输出单元,以划分基底之上的盖层异常与基底 内部的异常用多元统计分析选择输人参数,主成份分析对压缩数据的作用最明显用组合模型异常对网络进行训练,目的是使网络能在有人文异常和基底内部异常的干扰下识别出各种可能的盖层构造完成上述网络训练的迭代次数不超过次用实际数据及人工合成数据对训练过的网络进行了严格检验由航磁剖面辨识出的盖层异常与其深度、点地震数据及钻孔控制的构造对比,系统圈定构造的平均准确度 为网络对人 工数据圈定盖层构造的准确度为在本次研究中,由高精度航磁剖面准确圈定了和两处油田此外网络还发现了在航空磁测初步解释中被忽略的一些盖层磁异常电磁法地下影象的模式识别文献探讨了用逆传播算法的人工系统解释地下目标在极化磁场椭圆极 化中的影像的能力这里的问题在 两方面与大多数模式识别的应用不同第一,不是按模式识别的离散网络输出而是用连续参数输 出第二,只用纯理论模型训练网络而用野外数据作检验对要求作适时解释的地球物理应用来说,这些差别是重要 的由于系
