傳統(tǒng)的非線性電磁反演方法在處理電磁反演問題時會出現(xiàn)多解性、局部極值等問題,且這些方法往往非常依賴于足夠的先驗信息來建立合適的初始模型。機器學習相關(guān)算法為電磁反演提供了一種可能性。它不需要去將反演問題線性化,而是將整個物理過程轉(zhuǎn)化為一個“黑匣子”來處理,直接求得反演結(jié)果,是一種有價值的電磁反演方法。本文首先采用基于卷積神經(jīng)網(wǎng)絡(luò)的電磁反演算法來對電磁反演問題進行了研究,將電磁反演特征(位置參數(shù)、相對介電常數(shù))圖像化后,形成像素矩陣式的樣本,再將這些樣本輸入到全卷積神經(jīng)網(wǎng)絡(luò)中進行訓練,針對不同形狀的散射體進行了仿真分析。結(jié)果表明,基于卷積神經(jīng)網(wǎng)絡(luò)的電磁反演算法是一種有效的、高泛化性的非線性電磁反演算法。然后本文首次將K近鄰算法理論引入了電磁反演領(lǐng)域并分析了其優(yōu)劣之處,通過仿真確定了K近鄰算法的三要素(距離度量、k值、平均方式),給出了仿真結(jié)果。在此基礎(chǔ)上,本文還提出了一種疏密交叉網(wǎng)格建模的方法應(yīng)用于K近鄰電磁反演,并給出了其算法思路及程序?qū)崿F(xiàn),然后驗證了其在不同樣本集上的反演效果,分析對比了改進前后的K近鄰電磁反演算法的反演精確度及時間開銷。仿真結(jié)果表明,在使用相對較少訓練樣本集和計算資源的... 

【文章來源】：西安科技大學陜西省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

模型空間與數(shù)據(jù)空間之間的映射關(guān)系

2相關(guān)理論及技術(shù)7圖2.2(a)、(b)分別為線性、非線性反演迭代搜索示意圖最簡單最直接的完全非線性反演方法是窮舉法或者稱為徹底搜索法。在此之后，發(fā)展出一些近似反演算法，例如快速松弛反演法[40]等，以及很多非線性反演方法。目前，比較常用的方法如蒙特卡洛法[41]、模擬退火法[42]、遺傳算法[43]、人工神經(jīng)網(wǎng)絡(luò)算法[44]等都屬于非線性反演方法。2.2機器學習作為多個領(lǐng)域交叉的學科，機器學習涉及統(tǒng)計學、概率論、逼近論、算法復雜度理論以及凸分析等多個學科。通過對計算機模擬或?qū)崿F(xiàn)人類學習行為的方式的專門研究，達到獲得新技能及知識、充分組織并結(jié)合已有知識進行自身性能不斷提高的目的。廣義上講，通過賦予機器學習的能力使其實現(xiàn)直接編程不能完成的功能即為機器學習。然而在實際應(yīng)用中，機器學習指利用數(shù)據(jù)將模型訓練出來，并采用該模型進行預測的方法。在機器學習中，“訓練”及“預測”是最主要的兩個過程，這兩個過程之間的輸出結(jié)果即為“模型”，通過“訓練”建立“模型”，隨后應(yīng)用“模型”指導“預測”。因此，機器學習實際上通過計算機將經(jīng)驗數(shù)據(jù)進行分析，根據(jù)其規(guī)律獲得模型，最后采用該模型對未來結(jié)果進行預測的方法。就范圍而言，機器學習與統(tǒng)計學習、模式識別以及數(shù)據(jù)挖掘十分相似，然而由于充分結(jié)合了其他領(lǐng)域的處理技術(shù)，機器學習是一門綜合了計算機視覺、自然語言處理以及語音識別的多領(lǐng)域交叉學科。2.2.1機器學習的分類機器學習主要分為以下幾個類別：（1）監(jiān)督學習(supervisedlearning)：提供了一個由包含正確目標(target)的樣本組成的訓練集(trainingset)，并且以這個訓練集為基礎(chǔ)，算法進行泛化，直到有可能的輸入都給出正確的回答。這也稱之為從范例(exemplar)中學習。

3電磁場正演問題的求解15電磁場在完全匹配吸收層中所滿足方程的一般數(shù)學形式如下：WWWWABCDWtxyz(3.29)這里，=(E,E,E,H,H,H,R,R,R,S,S,S)TxyzxyzxyzxyzW。3.2FDTD計算流程在使用FDTD方法求解散射體的電磁輻射特性時，必須準確地描述散射體的空間參數(shù)和電磁參數(shù)，并按照FDTD要求進行網(wǎng)格化離散。每個網(wǎng)格均包含空間信息和電磁參數(shù)信息。對于一些簡單散射體的建模，確定目標區(qū)域后將目標區(qū)域網(wǎng)格化，再根據(jù)散射體的位置標記出散射體對應(yīng)的網(wǎng)格所在位置，并給出該網(wǎng)格處相對應(yīng)的電磁參數(shù)。圖3.2給出了立方體的剖分模型例子。(a)(b)圖3.2立方體建模(a)原物體；(b)按元胞剖分后對于復雜形狀的散射體，一般做法是將其分解為若干個簡單形狀目標，然后對其各個部件分別進行FDTD剖分。最后將剖分后各個部件拼接，形成整體的離散模型。建模步驟如圖3.3。

【參考文獻】：
期刊論文
[1]青藏高原巖石圈三維電性結(jié)構(gòu)[J]. 楊文采,金勝,張羅磊,瞿辰,胡祥云,魏文博,于常青,于鵬.  地球物理學報. 2020(03)
[2]基于經(jīng)驗知識遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)時間反演信道預測[J]. 院琳,楊雪松,王秉中.  物理學報. 2019(17)
[3]大地電磁測深在珊溪水庫誘發(fā)地震研究中的應(yīng)用[J]. 楊福平,余剛?cè)?侯林峰,周昕.  工程地球物理學報. 2019(02)
[4]音頻大地電磁數(shù)據(jù)非線性共軛梯度3D反演在江西相山鈾礦勘查中的應(yīng)用[J]. 夏廣沛,翁愛華,李建平,李世文,楊悅,胡英才.  世界地質(zhì). 2019(01)
[5]不同類型滑坡體的高密度電阻率法勘察電性特征[J]. 李富,周洪福,葛華.  物探與化探. 2019(01)
[6]探地雷達在道路脫空空洞病害檢測中的應(yīng)用[J]. 許澤善,簡世凱,覃譚,唐發(fā)偉,曹建龍.  工程地球物理學報. 2019(01)
[7]厚煤層露天礦地下水瞬變電磁法探測[J]. 王鵬.  煤礦安全. 2019(01)
[8]TEM探測深部煤層上覆多電性層的OCCAM反演[J]. 侯彥威.  煤田地質(zhì)與勘探. 2018(06)
[9]天然電場選頻法的淺層地下水勘探效果與異常分析[J]. 楊天春,梁競,程輝,曹書錦,董紹宇,宮玉菲.  物探與化探. 2018(06)
[10]灰?guī)r區(qū)溶洞與薄層泥巖物探異常差異分析[J]. 何建設(shè),李俊杰,李劍強,趙國軍,郭佳豪.  水利水電技術(shù). 2018(10)

博士論文
[1]面向圖像語義分割的新型卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[D]. Robail Yasrab.中國科學技術(shù)大學 2017



本文編號：2942034