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

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.     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

测井数据岩性识别软件系统的开发与应用

利用BP神经网络方法识别岩性技术为理论基础,编制了集测井数据岩性识别、测井基础数据管理以及测井柱状图自动绘制等功能为一体的测井数据处理软件系统.利用彬长矿区标准化的实际基础数据,对该软件系统的岩性识别功能进行了检验,获得了较高的识别速度和准确率.应用结果表明,该软件系统具有一定的实用价值.     

应用卷积神经网络和自注意力机制识别地磁场干扰事件

随着受干扰地磁观测仪器数量的不断增多,现有半人工识别干扰事件的方法存在效率低、工作量大、识别结果因人而异等问题。本文利用2012年1月1日至2014年12月31日全国地磁台网原始观测数据和地磁专家标注的2小时内干扰事件记录,分别构建干扰事件样本和正常样本各51 357条,基于卷积神经网络和自注意力机制提出一种新的干扰事件识别模型,实现干扰事件的自动、快速分类。实验结果显示,该模型在验证集的准确率达到92.93%,在测试集的准确率达到93.37%。与MLP、FCN、ResNet三种模型相比,本模型在测试集上的准确率平均提高近8.76%,表明卷积神经网络和自注意力机制等深度学习算法在地磁观测数据干扰事件识别领域具有巨大潜力,为进一步精确识别各类干扰事件探索了一种新思路。     

板内地震活动自组织、自相似特征

本文提出了两个比较重要的关系式,用来描述地震活动在时间域的自组织、自相似特征。即N(τ)～τ~(-D)和 N(≤t)～t~d,前一个关系式说明地震时间序列符合 D 维的分维分布,而不是泊松分布,后一个非线性关系式可以作为一种递推关系和预报方法用于强震的中期预报。     

地震属性在天然气水合物识别中的应用

地震属性包含了大量的地质特征,对天然气水合物矿体识别起着重要作用.在对天然气水合物进行识别时,如何选取适用于工区的地震属性和分类方法是解决问题的关键.本文对神狐地区地震数据进行了优化处理,提取了15种地震属性.通过自组织神经网络分析技术对地震属性数据所反映的地质特征进行自动识别和分类,与实际测井数据进行反复对比,获得了工区水合物的识别图和雕刻图.研究结果与已知的钻井区域进行反复对比和综合分析,发现自组织神经网络在水舍物识别研究中起了良好的作用.     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

神经网络在石油测井解释中的应用综述

常规测井解释往往通过"四性关系"研究建立储层参数解释模型,将测井信息转化成地质参数开展储层评价,但对于复杂岩性储层、低渗低阻等储层而言,将测井信息转化为储层参数及利用测井曲线开展储层评价往往存在多解性.作为一种非线性数学方法,神经网络具有多信息融合、综合预测的功能,在解决一些复杂、非线性问题领域展示了强大的生命力.将神经网络引入石油测井解释中,综合利用多种测井信息开展岩性、物性及含油性分析,可有效提高石油测井解释的精度和效率;利用神经网络技术开展流体性质识别和储层裂缝研究可有效破解此类世界性难题.为此,本文对神经网络技术在石油测井解释中的应用进行了综述,并对应用中应注意的事项进行分析,最后进行了应用展望.     

改进的K近邻方法在岩性识别中的应用

岩性识别是石油勘探中的一项重要内容,数据信息的精度往往会严重的影响到识别的准确率．本文根据数据的特点,改进了传统的K近邻方法,提出了加权K近邻的方法,进一步增强了利用测井数据识别岩性的能力,并在实际应用中证明了本方法的正确性和实用性．     

自组织竞争网络模型在地震预报研究中的应用

本文简述了自组织竞争模型的原理，研究了其在地震预报样本分类中的应用。并采用遗传算法对其网络结构参数进行优化，对输入样本参数进行优选。震例检验结果显示自组织竞争网络具有较好的分类效果，经遗传算法优化后的模型分类效果得到进一步改善。     

Self-organizing feature map neural network classification of the ASTER data based on wavelet fusion

Remote sensing classification methods can be classified as supervised and unsupervised catalogs. The maximum likelihood method (MLH) is a super-vised classification method,which is widely used in the remote sensing data classification and produces good results[1]. In the MLH, the parameters are esti-mated, assuming that the samples are normally dis-tributed in spectral space, to determine the mean vec-tor and covariance matrix of all classes. In most cases, however, the samples are not norma…     

复杂岩性储层参数评价中神经网络技术的应用

在复杂岩性储层中，储层四性关系比较复杂，表现为非线性，用传统的方法已经难以解决这类问题，为此引入了目前比较流行的人工神经网络技术、在前人基础上，以SN油田9井区为例进行储层研究工作，该区非均质性比较强，经对该区364口井常规到井资料进行储层参数重新解释，并做平面展布，与实际资料吻合较好。由此表明，神经网络技术在解决非线性问题上表现出了较大的优越性，值得我们做进一步的研究工作。     

Application of integrated back‐propagation network and self organizing map for flood forecasting

Much of the nonlinearity and uncertainty regarding the flood process is because hydrologic data required for estimation are often tremendously difficult to obtain. This study employed a back‐propagation network (BPN) as the main structure in flood forecasting to learn and to demonstrate the sophisticated nonlinear mapping relationship. However, a deterministic BPN model implies high uncertainty and poor consistency for verification work even when the learning performance is satisfactory for flood forecasting. Therefore, a novel procedure was proposed in this investigation which integrates linear transfer function (LTF) and self‐organizing map (SOM) to efficiently determine the intervals of weights and biases of a flood forecasting neural network to avoid the above problems. A SOM network with classification ability was applied to the solutions and parameters of the BPN model in the learning stage, to classify the network parameter rules and to obtain the winning parameters. The outcomes from the previous stage were then used as the ranges of the parameters in the recall stage. Finally, a case study was carried out in Wu‐Shi basin to demonstrate the effectiveness of the proposal. Copyright © 2009 John Wiley & Sons, Ltd.     

Enforced self‐organizing map neural networks for river flood forecasting

Self‐organizing maps (SOMs) have been successfully accepted widely in science and engineering problems; not only are their results unbiased, but they can also be visualized. In this study, we propose an enforced SOM (ESOM) coupled with a linear regression output layer for flood forecasting. The ESOM re‐executes a few extra training patterns, e.g. the peak flow, as recycling input data increases the mapping space of peak flow in the topological structure of SOM, and the weighted sum of the extended output layer of the network improves the accuracy of forecasting peak flow. We have investigated an ESOM neural network by using the flood data of the Da‐Chia River, Taiwan, and evaluated its performance based on the results obtained from a commonly used back‐propagation neural network. The results demonstrate that the ESOM neural network has great efficiency for clustering, especially for the peak flow, and super capability of modelling the flood forecast. The topology maps created from the ESOM are interesting and informative. Copyright © 2007 John Wiley & Sons, Ltd.     

基于模糊神经网络和证据理论的结构损伤识别新方法

为了有效利用结构健康监测系统中的多源不确定数据,提高损伤识别的正确率,通过构造模糊神经网络(FNN)分类器,提出了一种新的概率赋值函数构造方法和数据融合损伤识别新方法.该损伤识别方法先对数据预处理,提取有效的特征参数,接着将它作为FNN的输入,构造FNN分类器,最后运用数据融合中的D-S证据理论计算出融合决策结果.为了验证所提方法的有效性,通过一个七层剪切型框架结构的数值模型,分别用单一FNN分类器和数据融合损伤识别方法进行了损伤识别和比较.研究结果表明,本文所提方法比单一决策结果更准确,具有更高的可靠度。     

测井约束反演技术在煤田三维地震岩性勘探中的应用

利用地震技术解决岩性问题在煤田勘探中一直是近年来人们研究的一个热门课题,与其他地震反演技术相比,测井约束反演技术不仅可提高原始地震资料的垂向分辨率,而且将地震波转换为层的信息,因此正在岩性勘探中得到广泛应用．本文介绍了测井约束反演技术的原理及影响因素,并以开滦集团荆各庄矿某采区岩性勘探为例,说明了测井约束反演技术在煤田三维地震岩性勘探中的具体方法和应用效果。     

基于BP神经网络的波阻抗反演及应用

人工神经网络是近期发展最快的人工智能领域研究成果之一.本文在介绍BP神经网络的有关原理的基础上,提出一种基于BP神经网络模型的波阻抗反演方法,该方法克服了常规基于模型的波阻抗反演方法严重依赖于初始模型的选择和易陷入局部最优等局限性.利用该方法对实际地震剖面进行了波阻抗参数反演处理,结果表明人工神经网络方法在波阻抗反演中的应用是可行的并且是有效的.     

应用人工神经元网络方法识别近震与远震

利用人工神经元网络方法,提出了一种在实时系统中识别近震与远震的算法,并用广东省台网记录的地震波形数据进行训练和测试。结果表明,该算法能准确可靠地识别远、近震,可以应用于台网的实时处理系统。     

The application of neural network to the analysis of earthquake precursor chaotic time series

IntroductionThere are some problems we often meet when we work for earthquake forecasting with theobservational data of earthquake precursor observation. Such items as the deformation of earth'scrust, underground fluid, geoelectricity and so on. These problems include that the ceasing workof the observational apparatus because of malfunction or accident in case of emergent ewthquakesituation will lose some imperative information and make it more difficult to evaluate futUreearthquake situation…