共查询到20条相似文献，搜索用时 171 毫秒
1.
《地球物理学进展》2020,(4)
地震数据重建是一个不适定的反问题,通常采用正则化方法求解.正则化方法需要人工建模,建模的准确性会影响重建结果,此类方法还存在计算代价高的问题.为克服正则化方法存在的问题,本文使用深度卷积神经网络实现了端到端的地震数据重建.此方法是基于数据驱动的,直接从数据中学习输入与输出的映射关系,无需人工建模,经过训练的网络可直接用于非完整数据的重建工作.数值实验分别使用模拟数据和实际数据并与传统正则化方法对比验证深度卷积神经网络方法的有效性.实验结果表明,深度卷积神经网络方法的计算代价主要在于网络的训练阶段,数据重建阶段仅需花费极短的时间,与传统正则化方法相比,对于缺道50%的地震数据,深度卷积神经网络方法的重建结果质量更高,速度更快. 相似文献
2.
基于ACCRBF网络的多层砖房震害预测 总被引：1，自引：1，他引：0
针对传统震害预测方法逐栋抽样计算建筑物抗震性能的不足,本文提出了一种基于蚁群聚类径向基(ACCRBF)网络模型的建筑物震害预测方法。依据不同地震动峰值加速度下多层砖房的实际震害资料,对模型进行训练,在模型的输入和输出之间建立映射关系,并利用这种映射关系对未知样本进行分类,实现对多层砖房的震害分析和预测。模型的输入为反映结构的震害影响因子,输出为给定的地震动峰值加速度下结构震害等级。研究表明,基于ACCRBF网络模型的多层砖房震害预测结果与震害实例基本吻合,具有推广应用价值。 相似文献
3.
神经网络可以看成是空间映映的应用，即输入空间到输出空间的映射。为了模拟设想的映射关系，网络必须通过反复改变内部参数的学习过程，通过很多输入模型和与它们相应的输出模型的展示过程来实现。如果在训练组中所有样本的期望输出和计算输出之间的误差达到最小，也就完成了训练过程，这时，网络就可以模拟训练样本的限制范围内合余需要的映射关系。这里，我们描述一个实验，其中，神经网络的设计以接受人工爆破选排（即从单个源得 相似文献
4.
5.
基于深度神经网络的地震强反射剥离方法 总被引：1，自引：0，他引：1
在储层预测工作中,储层弱反射信号淹没在强反射信号之中的情况非常常见,这不利于精确识别和描述储层结构.本文提出了一种基于深度神经网络的强反射剥离方法,用于辅助储层弱反射信号的检测工作.该方法在卷积模型的框架下将强反射预测问题分解为地震子波预测与强反射预测两个子优化问题,并采用AIDNN与U-Net两个深度神经网络分别求解.通过训练直接得到地震数据与强反射之间的映射关系,避免了经验性调参过程,计算速度快,适用于海量地震数据处理.模型数据和实际资料试算结果表明,本文方法能够预测并剥离地震数据中的强反射且保真保幅性好;在该方法的基础上进行的储层砂体展布预测工作取得了良好效果. 相似文献
6.
基于小波融合的ASTER数据自组织特征映射神经网络分类研究 总被引：7，自引：2，他引：7
重点介绍了有自组织功能的两层结构的神经网络Kohonen自组织特征映射, 两层之间各神经元实现全连接并且在竞争层各神经元之间还存在侧连接, 实现了有效的竞争和抑制, 提高了自适应的学习能力, 因此成为国际遥感数据分类的研究热点. ASTER卫星数据是新型遥感数据, 包括3个15 m分辨率波段和3个30 m分辨率的短波红外波段. 选择天津大港ASTER数据作为方法实验数据, 首先对数据进行了小波融合, 然后进行了土地覆盖类型的神经网络分类研究. 研究结果与相同训练点的最大似然监督分类比较, 总体提高分类精度7%, 特别对城镇分类精度提高近一倍. 相似文献
7.
基于神经网络的强震中短期预测方法 总被引：3，自引：1，他引：3
神经网络(neural network)是由大量并行处理的类似生物神经元的简单单元构成的复杂系统．通过调整各个单元之间的连接权值，神经网络可以被训练来表达一个特定的映射．这种作用是神经网络应用的基础．近十年来，神经网络已从理论研究进入实用，并且这个趋势还在不断地发展．本文提出了一种基于神经网络模型的强震预测方法．神经网络先从存在的地震演化序列或地震前兆学习，然后对未来的强震作中短期预测．提出了两个神经网络预测模型:一个是基于地震演化序列的神经网络预测模型EE，并将它用于中国大陆未来一年的最高震级的预测；另一个是基于地震前兆的神经网络预测模型EP，并将它用于华北地区未来(2年)强震发生时间的预测．结果表明，本文提出的这种基于神经网络的预测模型有一定的预测能力，并且使用方便，有较好的应用前景． 相似文献
8.
基于BP神经网络模型的村镇砖砌体结构震害预测研究 总被引：1，自引：0，他引：1
砖砌体结构是村镇地区一种量大面广的结构形式,其抗震性能薄弱,在地震中极易出现脆性破坏。本文尝试应用基于L-M算法的BP神经网络方法,利用它强大的非线性映射功能,建立起村镇地区砖砌体结构震害影响因素与破坏状态等级之间关系。设计出一个9-6-5的三层神经网络模型,根据实地调查,筛选出影响房屋震害的9个主要因素,如层数、层高、砌筑方式、砖墙面积率等作为神经网络的输入参数,输出参数为房屋5种破坏状态。选择2008汶川地震后四川、陕西、甘肃等地的震害实例作为学习样本对所构建的神经网络模型进行训练。训练结果表明,该模型对已训练数据有很好的适应性,但如果要将其用于单个或群体建筑的易损性分析,并取得较精确的预测结果,还需积累足够多的训练样本,并进行大量的网络试验工作。 相似文献
9.
10.
选取我国台湾地区2012—2018年期间的浅源地震资料,将台湾气象局与福建地震台网中心测定的ML震级进行对比分析,得出两机构测定的震级之间的差异主要是受地震震级大小、震源深度、震源地理位置等因素的影响,并采用线性回归方法对两机构测定的ML之间的模型关系进行拟合。与此同时,引入反向传播神经网络技术对两机构测定震级之间的偏差进行预测训练,构建4?9?9?9?4的五层网络模型,利用2012—2017年台湾震例作为训练集进行学习训练,2018年数据作为测试集进行预测效果分析。测试结果表明,经过反向传播神经网络修正后,震级偏差较大改善,基本都控制在[?0.4,0.3]之内,预测效果优于传统的线性回归方法,特别是对多震、少震区域震例的修正效果更为显著,进一步验证了反向传播神经网络技术具有较强的非线性拟合能力和泛化能力。 相似文献
11.
神经网络在油气评价和预测方面的研究现状 总被引：9，自引：1，他引：9
人工神经网络是近年来迅速发展的信息处理技术之一，其模式分类能力和复杂函数逼近能力，正被广泛应用于油气勘探信息的定性和定量评价中，本文对目前神经网络在油气评价和预测中的研究现状作一简要综述。 相似文献
12.
丽江７．０级地震前，永胜台定点形变出现前所未有的巨大变化，东西向的变化较南北向的变化更显。展示了在源区附近７级大震前定点形变突出变化的一个典型震例。此震例对于今后研究观测点附近大震前的异常特征有重要的参考意义。 相似文献
13.
人工神经网络是用来模拟人脑智能特点和结构的一种模型,具有很强的非线性映射功能．把它引用到地震前兆观测数据的分析处理中,可为前兆观测更好地服务于地震分析预报开辟出一条新路,也是对人工神经网络方法应用的推广．本文分析了时间序列的可预测性,给出了用人工神经网络预测地震前兆混沌时间序列的方法,并以江宁台和徐州台SQ 型地倾斜仪观测及溧阳台体应变观测的时间序列为例,对其作了预测和处理．结果表明:用该方法处理达到的精度能满足实际工作的需要,因而该方法在今后的实际地震分析预报工作中具有重要应用价值． 相似文献
14.
本文试图解释用ＢＰ神经网络解界面反问题时效果不佳的原因。文中首先从信息量的角度提出了ＢＰ神经网络训练本集容量的概念，给出了它的定义及组织训练样本集时应遵循的原则和方法。对于如何用ＢＰ神经网络解界面反问题，给出了其基本步骤，并根据上述训练样本集容量的概念及界面反总理的特殊性，给出了组织界面反问题训练样本集的方法。 相似文献
15.
本文提出了对东南沿海地震带地震活动趋势的一个预测，采用了人工神经元网络技术来获取有关地震活动涨落起伏韵律性的知识。网络训练的样本是用一个沿地震时间历程滑动的时间窗采样获取的。网络经济足够多次数的学习，很好地记忆了资料序列中蕴含的时序特征。结果表明，东南沿海地震带的地震活动将在当前的剩余释放阶段延续二十年左右，然后转入下一个积累释放阶段。 相似文献
16.
作为深度学习方法的一种,长短时记忆神经网络(LSTM)是一种信号处理的重要方法.本文基于实际观测地电场数据来合成训练集,对特定结构的长短时记忆神经网络进行训练,将训练所得网络对测试集数据进行测试后,将网络应用至实际观测数据.结果显示,经过训练的网络很好地学到了训练集样本的特征,对测试集数据的信噪比压制了约20 dB,并过滤了人为添加的特定频率的干扰成分,对实际观测数据处理后得到明显的日变、半日变以及半月变、月变、半年变、年变等潮汐响应,表明长短时记忆神经网络可以有效应用于地电场数据处理研究. 相似文献
17.
Gustavo Côrte Jesper Dramsch Hamed Amini Colin MacBeth 《Geophysical Prospecting》2020,68(7):2164-2185
In this work, we tackle the challenge of quantitative estimation of reservoir dynamic property variations during a period of production, directly from four-dimensional seismic data in the amplitude domain. We employ a deep neural network to invert four-dimensional seismic amplitude maps to the simultaneous changes in pressure, water and gas saturations. The method is applied to a real field data case, where, as is common in such applications, the data measured at the wells are insufficient for properly training deep neural networks, thus, the network is trained on synthetic data. Training on synthetic data offers much freedom in designing a training dataset, therefore, it is important to understand the impact of the data distribution on the inversion results. To define the best way to construct a synthetic training dataset, we perform a study on four different approaches to populating the training set making remarks on data sizes, network generality and the impact of physics-based constraints. Using the results of a reservoir simulation model to populate our training datasets, we demonstrate the benefits of restricting training samples to fluid flow consistent combinations in the dynamic reservoir property domain. With this the network learns the physical correlations present in the training set, incorporating this information into the inference process, which allows it to make inferences on properties to which the seismic data are most uncertain. Additionally, we demonstrate the importance of applying regularization techniques such as adding noise to the synthetic data for training and show a possibility of estimating uncertainties in the inversion results by training multiple networks. 相似文献
18.
Within the field of seismic data acquisition with active sources, the technique of acquiring simultaneous data, also known as blended data, offers operational advantages. The preferred processing of blended data starts with a step of deblending, that is separation of the data acquired by the different sources, to produce data that mimic data from a conventional seismic acquisition and can be effectively processed by standard methods. Recently, deep learning methods based on the deep neural network have been applied to the deblending task with promising results, in particular using an iterative approach. We propose an enhancement to deblending with an iterative deep neural network, whereby we modify the training stage of the deep neural network in order to achieve better performance through the iterations. We refer to the method that only uses the blended data as the input data as the general training method. Our new multi-data training method allows the deep neural network to be trained by the data set with the input patches composed of blended data, noisy data with low amplitude crosstalk noise, and unblended data, which can improve the ability of the deep neural network to remove crosstalk noise and protect weak signal. Based on such an extended training data set, the multi-data training method embedded in the iterative separation framework can result in different outputs at different iterations and converge to the best result in a shorter iteration number. Transfer learning can further improve the generalization and separation efficacy of our proposed method to deblend the simultaneous-source data. Our proposed method is tested on two synthetic data and two field data to prove the effectiveness and superiority in the deblending of the simultaneous-source data compared with the general training method, generic noise attenuation network and low-rank matrix factorization methods. 相似文献
19.
Artificial neural networks for parameter estimation in geophysics 总被引：12，自引：0，他引：12
20.
利用人工神经网络预测电离层F2层骚扰 总被引：2，自引：1，他引：2
利用人工神经网络技术，提出预报离散随机的电离层骚扰事件的新方案.本文重点讨论了预报电离层骚扰的人工神经网络的构造，采用模糊理论和模式识别的思想构造了网络的输入层和输出层.将与电离层骚扰相关的日面现象如太阳耀斑、黑子等的日面位置、强度等参量作为网络的输入，该方案预报结果检验中，使传统方法难以预报的小型和中型电离层(骚扰达到80%以上)的预报准确率有所提高.最后还提出了利用人工神经网络识别单一型别骚扰事件的方案，预报准确率在95%以上。 相似文献