排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
径向基神经网络（RBFNN）具有结构简单、学习速度快、不易陷入局部极小等优点,能够有效地提高电阻率层析成像反演的收敛速度和求解质量.本文针对电阻率层析成像反演的非线性特征,提出了一种基于汉南-奎因信息准则（HQC）的正交最小二乘法（OLS）学习算法（HQOLS）.该算法通过计算HQC的最优值来自动选择RBFNN的网络结构,避免了传统OLS学习算法中阈值参数的设定,保证了网络的泛化性能.通过比较聚类法、梯度法、OLS和HQOLS等学习算法的反演性能,构建了基于RBFNN的电阻率层析成像反演模型.数值仿真和模型反演的结果表明,该方法实现简单,在准确性上优于BP反演,成像质量优于传统最小二乘法反演. 相似文献
2.
超高密度电法是一种新的地球物理探测技术,它通过多通道数据采集和多装置数据联合反演,极大地提高了电法勘探的成像精度.本文提出一种主成分-正则化极限学习机(PC-RELM)非线性反演方法,该方法针对超高密度电法所获取的高维勘探数据进行反演建模,通过随机设定隐层参数来简化模型的学习过程,通过主成分分析方法来进行高维数据降维,最后引入正则化因子提高反演模型的泛化能力.论文给出了超高密度电法的原理、样本构造方法和非线性反演流程,使用交叉验证方法获得了优化的隐节点数目和正则化参数,构造了优化的反演模型.通过两个经典的超高密度模型的反演结果表明,该方法能够较好地解决超高密度电法反演的高维数据非线性建模问题,能够弥补单一装置数据反演的不足,同时相较其他的非线性反演方法(ELM,BPNN和GRNN)具有更加准确的反演结果. 相似文献
3.
从CSAMT信号中提取激电信息有利于提高频率域电磁法反演与解释的精度.目前的研究多以线性反演方法为主,存在依赖初始模型、易陷入局部极值的问题.针对CSAMT信号IP提取问题的非线性和非凸特征,本文提出了一种基于柯西分布和惯性权重的二阶段最小构造混合蛙跳反演方法来提取IP信息.该方法首先利用柯西算子取代随机算子来提高算法的全局搜索能力,并通过引入混沌震荡惯性权重来均衡进化过程中的个体经验和群体经验,保证算法后期的稳定收敛;然后通过引入第二阶段反演过程来强化极化率对观测数据的影响,同时将正则化参数引入混合蛙跳算法的适应度函数来改善反演的多解性问题;最后利用CPU并行计算加速了算法的模因组搜索过程.反演结果表明,上述方法能够较好地重构地电结构和提取激电信息,在加噪环境下具有较强的鲁棒性.相比其他非线性算法(标准混合蛙跳算法SFLA,差分进化算法DE和粒子群优化算法PSO)的反演结果,本文算法具有更强的全局搜索能力和更高的计算效率,适合对微弱的激电信息进行提取. 相似文献
1