共查询到19条相似文献，搜索用时 156 毫秒
1.
重力梯度张量的定义是对重力位求二阶导数,相比于传统的布格重力异常,它在反映地下密度异常分布上有着更高的灵敏度,且能够进一步准确直接地反映目标体的边界.但对单个张量分量作反演时,可能会丢失一部份有用的信息,从而造成反演结果的误差.而全张量反演是将重力的五个梯度张量联合起来进行反演,这样做可以综合更丰富的场源信息.相比于传统做法中的布格重力异常反演和单重力张量分量反演,得到的反演结果不仅有了更高的分辨率,在识别目标体特征上也有更好的效果.粒子群算法是一种基于群体智能的优化迭代算法,这里利用粒子群算法对重力张量单分量、布格重力异常和全张量分别进行反演,并对结果进行简要分析. 相似文献
2.
3.
解的优化问题是重磁反演中比较重要的一个方面,近些年来出现了很多的优化算法,如遗传算法、粒子群算法等。这里将采用一种新型仿生优化算法,即人工鱼群算法(Artificial FishSchool Algorithm,AFSA)来进行密度反演。将研究区域划分成若干规则且密度均匀的长方体,由引力位推导出长方体外任意一点的重力异常公式,利用重力的可叠加性,计算出观测点的重力异常。并在给定长方体参数后,根据已知重力异常确定密度参数,利用人工鱼群算法寻求最优解。通过理论模型得出:当所反演的密度参数为"2"时,该算法效果十分明显;当所反演的密度参数较多时,该算法在使用方面有一定限制。 相似文献
4.
针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法-自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。 相似文献
5.
《物探化探计算技术》2019,(6)
利用重力异常反演地球内部的介质密度分布,是研究地球内部精细结构的有效方法之一,这里利用EIGEN-6C2超高阶卫星重力场模型,计算龙门山地区的自由空间重力异常、布格重力异常以及剩余重力异常,在此基础上,基于Parker-Oldenburg模型以及粒子群算法反演该地区的三维介质密度分布,发现反演结果与Crust1.0密度模型所提供的结果基本一致,结果说明,使用Parker-Oldenburg模型结合粒子群算法反演地壳的三维密度分布,具有可行性和实用性。 相似文献
6.
滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算... 相似文献
7.
为消除由局部不均匀异常体造成的局部畸变的影响,大地电磁数据往往需要进行畸变校正.Groom-Bailey(GB)分解法,是大地电磁阻抗张量分解方法中应用最为广泛的一种.传统的GB分解方法多采用线性最优化方法,其计算精度低,速度慢.对此,这里将粒子群优化算法引入GB分解法中,同时对标准粒子群算法进行改进,提高算法的性能,... 相似文献
8.
地下水污染源反演的Hooke Jeeves吸引扩散粒子群混合算法 总被引：2，自引：0，他引：2
根据污染物质量浓度监测数据进行地下水污染源反演是一类典型的地下水逆问题,该问题可转化为决策变量为污染源位置和强度的最优化问题进行求解。基于Hooke-Jeeves粒子群混合算法,引入吸引扩散粒子群(ARPSO)算法的粒子群发散算子,保证混合算法的种群多样性,并提出HJ-ARPSO混合算法,再结合地下水污染物迁移模型MT3DMS反演地下水污染源的位置和强度信息。在已知污染源位置和未知污染源位置两种情形下,分别利用HJ-ARPSO算法、HJ-PSO算法和GA算法进行地下水污染源反演。在两种情形下,HJ-ARPSO算法均具有较高的寻优成功率(分别对应为100%和90%);与之相比,未引入粒子群发散算子的HJ-PSO算法在未知污染源位置情形下其寻优成功率迅速降为60%;GA算法寻优效率则最低。算例结果表明,HJ-ARPSO算法是一种有效的地下水污染源反演优化算法。 相似文献
9.
细胞神经网络在重力异常分异中的研究及应用 总被引：1，自引：0，他引：1
介绍采用细胞神经网络CNN(cellular neural network)方法,对铬铁矿区内的矿体和围岩的重力异常进行分异。首先阐述了CNN方法的原理和算法,采用拟BP学习算法训练网络的权值,用全局误差函数求导方法推导权值的修正公式,讨论了如何根据目标异常训练适合该地质条件的网络的连接权值;其次将重力异常数据预处理,以达到适合CNN方法处理的数据格式和要求;最后由于该矿区内没有已知的重力数据作为网络训练的目标输出,根据相关地质图设置相应的地下构造模型。利用"点元"法分别正演出叠加异常和矿体异常,进而训练出适合全区的网络连接权值,实现了对全区重力异常的分异。应用结果表明,细胞神经网络方法较好地突出该矿区高异常和矿体的边界,只要选择了合适的网络连接权值,就能将横向叠加异常区分开,故CNN方法可以实现矿体和围岩的重力异常分异。 相似文献
10.
《物探与化探》2015,(5)
粒子群优化算法(PSO)是通过模拟鸟群觅食过程中的社会行为而提出的一种基于群体智能的全局随机搜索算法,已有研究学者证明PSO算法是一种有效的地球物理反演方法,不依赖初始模型。此次在研究常规粒子群算法的基础上,针对常规粒子群优化算法易于陷于局部极值,后期收敛速度慢,反演精度不高等缺点,提出了一种改进的充分混沌振荡粒子群优化算法。针对粒子群算法的特点,改进速度更新公式,使粒子更快获取与当前全局最好位置的差异,增强粒子的学习能力,并用此算法在matlab2012b编程环境中对均匀半空间电阻率层析成像异常体理论模型进行了二维数值试验。结果表明,此种算法反演时不依赖初始模型,搜索空间增大,实现全局搜索,在准确性上优于标准PSO反演,成像质量优于Levenberg-Marquardt法反演。 相似文献
11.
Arkoprovo Biswas 《Journal of the Geological Society of India》2016,88(4):493-502
Inversion of self-potential anomaly for 2-D inclined sheets of infinite horizontal extent has been studied. Least-square inversion and very fast simulated annealing global optimization has been used to model the five parameters of self potential anomaly. The method of least square and very fast simulated annealing global optimization method is compared and analyzed. Very fast simulated annealing can model the noisy and field data of self potential anomaly very precisely than linear inversion technique. However, time taken by very fast simulated annealing inversion is larger than linearized inversion. The comparative analysis has been done on synthetic data (noise free and noisy) and two field data from Bavarian woods anomaly, Germany and Surda anomaly, India to show the efficacy of both the methods. The estimated parameters were compared with those from previous studies using various global optimization algorithms, mainly neural network, genetic algorithm and particle swarm optimization on the same field data sets. It can be concluded that the global optimization algorithms considered in this study were able to yield compatible solutions with those from least-square methods. The present global optimization method is in good agreement with the other global optimization methods in terms of results and computation time. 相似文献
12.
针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。 相似文献
13.
为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。 相似文献
14.
15.
结合有关煤体渗透率的众多研究成果,总结出影响煤体渗透率的3个主要因素为有效应力、温度和瓦斯压力。采用粒子群优化算法(PSO)对最小二乘支持向量机(LSSVM)的参数进行优化选择,并以上述3个因素和抗压强度为输入值,以渗透率为目标输出值,建立煤体瓦斯渗透率的PSO-LSSVM预测模型。利用25组数据进行PSO-LSSVM模型与BP神经网络及支持向量机的比较实验,PSO-LSSVM预测结果与实际值拟合程度优于其他两个模型,且具有更小的误差。实验结果表明,采用PSO-LSSVM模型可由有效应力、温度和瓦斯压力对渗透率进行较高精度的预测。 相似文献
16.
K. K. Kuok S. Harun Ph.D. S. M. Shamsuddin Ph.D. 《International Journal of Environmental Science and Technology》2010,7(1):67-78
The rainfall-runoff relationship is one of the most complex hydrological phenomena. In recent years, hydrologists have successfully applied backpropagation neural network as a tool to model various nonlinear hydrological processes because of its ability to generalize patterns in imprecise or noisy and ambiguous input and output data sets. However, the backpropagation neural network convergence rate is relatively slow and solutions can be trapped at local minima. Hence, in this study, a new evolutionary algorithm, namely, particle swarm optimization is proposed to train the feedforward neural network. This particle swarm optimization feedforward neural network is applied to model the daily rainfall-runoff relationship in Sungai Bedup Basin, Sarawak, Malaysia. The model performance is measured using the coefficient of correlation and the Nash-Sutcliffe coefficient. The input data to the model are current rainfall, antecedent rainfall and antecedent runoff, while the output is current runoff. Particle swarm optimization feedforward neural network simulated the current runoff accurately with R = 0.872 and E2 = 0.775 for the training data set and R = 0.900 and E2= 0.807 for testing data set. Thus, it can be concluded that the particle swarm optimization feedforward neural network method can be successfully used to model the rainfall-runoff relationship in Bedup Basin and it could be to be applied to other basins. 相似文献
17.
18.
基于粒子群优化神经网络算法的深基坑变形预测方法 总被引：1，自引：0，他引：1
深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。 相似文献
19.
高密度电法技术在煤矿地质灾害勘探中发挥着重要的作用。近年来,以BP（Backpropagation）神经网络为代表的一类非线性反演方法被广泛运用到高密度电法的反演中。针对BP神经网络方法在高密度电法反演中存在的易陷入局部极小、收敛缓慢、反演精度差等问题,将BP神经网络算法与遗传算法（Genetic Algorithm,简称GA算法）联合演算,实现高密度电法的二维非线性反演。通过典型地电模型对该方法进行验证,结果表明遗传算法能有效优化BP神经网络的权值和阈值,提高了算法的全局寻优性。 相似文献