《基於神經網路的混合非線性電阻率反演成》是2015年中南大學出版社出版的圖書，作者是江沸菠、戴前偉、馮德山、董莉。
基本介紹
- 書名：基於神經網路的混合非線性電阻率反演成
- 作者： 江沸菠 戴前偉 馮德山 董莉
- 出版社：中南大學出版社
- 出版時間：2015年10月
- 頁數：197 頁
- 定價：50 元
- 開本：16 開
- ISBN：9787548720676
內容簡介,目錄信息,
內容簡介
本書在介紹神經網路基本概念和基本原理的基礎上，對神經網路非線性反演在電阻率成像技術中的套用進行了理論研究。分析了BP神經網路和RBF神經網路在電阻率成像反演中的最佳化算法、建模方法和反演流程。通過將神經網路與粒子群最佳化算法、差分進化算法、混沌技術、信息準則等多種新技術相結合，最佳化了神經網路反演模型的結構和性能，對今後神經網路在電法反演中的深入研究提供了可借鑑的經驗。本書可供從事地球物理正反演以及人工智慧等領域的相關研究人員參考使用，也可作為高等院校相關專業的教師、研究生和高年級本科生的教學參考用書。
目錄信息
第1章 緒 論 1
1.1 電阻率成像 1
1.2 電阻率成像技術國內外研究進展及發展趨勢 1
1.2.1 國外電阻率成像反演的研究進展 1
1.2.2 國內電阻率成像反演的研究進展 3
1.2.3 電阻率成像反演的發展趨勢 4
1.3 神經網路的研究現狀 5
1.3.1 神經網路的概念和研究歷史 5
1.3.2 神經網路的基本模型 6
1.3.3 神經網路在電阻率法反演中的套用 7
1.4 粒子群最佳化算法 9
1.4.1 粒子群最佳化算法的研究現狀 9
1.4.2 粒子群最佳化算法在地球物理資料反演中的套用 9
1.5 微分進化算法 10
1.5.1 微分進化算法的研究現狀 10
1.5.2 微分進化算法在地球物理資料反演中的套用 12
1.6 主要研究工作和章節安排 12
1.6.1 課題研究的目的與意義 12
1.6.2 主要研究工作 14
1.6.3 章節安排 15
1.7 本章小結 16
第2章 基於神經網路的電阻率反演成像 17
2.1 電阻率法的基本理論 17
2.1.1 穩定電流場的基礎理論 17
2.1.2 視電阻率的概念和意義 18
2.1.3 常用電阻率方法 19
2.1.4 正演問題的數值模擬方法 21
2.2 BP神經網路的反演方法 24
2.2.1 BP神經網路的基本結構 24
2.2.2 BP神經網路的學習算法 26
2.2.3 BP神經網路的樣本劃分與建模 30
2.2.4 BP神經網路的反演流程 31
2.3 本章小結 32
第3章 基於混沌振盪PSO-BP算法的電阻率成像反演 34
3.1 粒子群最佳化算法的基本原理 34
3.2 基於混沌慣性權重的PSO算法 37
3.2.1 基於振盪遞減的PSO算法 37
3.2.2 混沌的基本理論 38
3.2.3 基於混沌振盪的PSO算法 42
3.3 混沌振盪PSO-BP算法反演建模 43
3.3.1 BP神經網路的樣本劃分與建模 43
3.3.2 BP神經網路的隱含層結構設計 43
3.3.3 混沌振盪PSO-BP算法的實現步驟 46
3.4 數值仿真與模型反演 47
3.4.1 混沌振盪PSO-BP算法的性能驗證 47
3.4.2 理論模型反演結果評估 48
3.5 本章小結 51
第4章 基於混沌約束DE-BP算法的電阻率成像反演 52
4.1 微分進化算法的基本原理 52
4.2 基於混沌約束的DE算法 55
4.3 混沌約束DE-BP算法反演建模 59
4.3.1 BP神經網路的樣本劃分與建模 59
4.3.2 BP神經網路的隱含層結構設計 61
4.3.3 混沌約束DE-BP算法的實現步驟 63
4.4 數值仿真與模型反演 64
4.4.1 混沌約束DE-BP算法的性能驗證 64
4.4.2 理論模型反演結果評估 65
4.5 本章小結 67
第5章 基於信息準則的RBF神經網路電阻率成像反演 69
5.1 RBF神經網路結構 69
5.2 RBF神經網路學習算法 71
5.2.1 聚類算法 72
5.2.2 梯度算法 73
5.2.3 正交最小二乘法 74
5.3 基於漢南-奎因信息準則的OLS學習算法 75
5.3.1 RBF神經網路的泛化能力 75
5.3.2 信息準則 76
5.3.3 HQOLS算法的實現步驟 77
5.4 HQOLS-RBF電阻率成像反演建模 79
5.5 數值仿真與模型反演 81
5.5.1 HQOLS-RBF算法的性能驗證 81
5.5.2 理論模型反演結果評估 83
5.6 本章小結 87
第6章 基於二階段學習的RBF神經網路電阻率成像反演 89
6.1 基於二階段學習的RBF神經網路基本理論 89
6.1.1 OLS-RBFNN的不足 89
6.1.2 RBF神經網路的樣本規劃與建模 90
6.1.3 第一階段學習 90
6.1.4 第二階段學習 92
6.2 基於二階段學習的RBF神經網路實現步驟 93
6.3 數值仿真與模型反演 95
6.3.1 信息準則的選擇 95
6.3.2 二階段學習RBF神經網路的性能驗證 96
6.3.3 理論模型反演結果評估 97
6.4 本章小結 100
第7章 基於主成分-正則化極限學習機的超高密度電法非線性反演 102
7.1 超高密度電法的基本原理及正演方法 102
7.2 極限學習機理論 104
7.2.1 標準極限學習機 104
7.2.2 主成分-正則化極限學習機 105
7.3 主成分-正則化極限學習機反演建模 107
7.3.1 樣本構造 107
7.3.2 PCA降維 107
7.3.3 參數尋優 110
7.3.4 反演流程 112
7.4 模型反演 113
7.5 本章小結 118
第8章 非線性反演工程實例分析 119
8.1 工程概況 119
8.2 神經網路直接反演 119
8.3 基於最小二乘反演結果的反演 122
8.4 本章小結 125
第9章 總結與展望 127
9.1 總結 127
9.2 展望 129
附錄 130
附錄一：標準BP神經網路反演的matlab代碼 130
附錄二：標準RBF神經網路反演的matlab代碼 132
參考文獻 134
