基于汉南-奎因信息准则的电阻率层析成像径向基神经网络反演
  • 【摘要】

    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... 展开>>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. 收起<<

  • 【作者】

    戴前伟  江沸菠  董莉 

  • 【作者单位】

    中南大学有色金属成矿预测教育部重点实验室/中南大学地球科学与信息物理学院

  • 【刊期】

    地球物理学报 ISTIC PKU 2014年4期

  • 【关键词】

    电阻率层析成像  径向基神经网络  非线性反演  汉南-奎因信息准则  Electrical resistivity tomography  Radial basis function neural network  Nonlinear inversion  Hannan-Quinn criterion 

  • 【基金项目】

    国家自然科学基金项目(41374118) 教育部博士点基金项目(20120162110015)资助