基于神經網絡的混合非線性電阻率反演成像

第1章 緒論
1．1 電阻率成像
1．2 電阻率成像技術國內外研究進展及發(fā)展趨勢
1．2．1 國外電阻率成像反演的研究進展
1．2．2 國內電阻率成像反演的研究進展
1．2．3 電阻率成像反演的發(fā)展趨勢
1．3 神經網絡的研究現(xiàn)狀
1．3．1 神經網絡的概念和研究歷史
1．3．2 神經網絡的基本模型
1．3．3 神經網絡在電阻率法反演中的應用
1．4 粒子群優(yōu)化算法
1．4．1 粒子群優(yōu)化算法的研究現(xiàn)狀
1．4．2 粒子群優(yōu)化算法在地球物理資料反演中的應用
1．5 微分進化算法
1．5．1 微分進化算法的研究現(xiàn)狀
1．5．2 微分進化算法在地球物理資料反演中的應用
1．6 主要研究工作和章 節(jié)安排
1．6．1 課題研究的目的與意義
1．6．2 主要研究工作
1．6．3 章 節(jié)安排
1．7 本章小結
第2章 基于神經網絡的電阻率反演成像
2．1 電阻率法的基本理論
2．1．1 穩(wěn)定電流場的基礎理論
2．1．2 視電阻率的概念和意義
2．1．3 常用電阻率方法
2．1．4 正演問題的數(shù)值模擬方法
2．2 BP神經網絡的反演方法
2．2．1 BP神經網絡的基本結構
2．2．2 BP神經網絡的學習算法
2．2．3 BP神經網絡的樣本劃分與建模
2．2．4 BP神經網絡的反演流程
2．3 本章小結
第3章 基于混沌振蕩PSO-BP算法的電阻率成像反演
3．1 粒子群優(yōu)化算法的基本原理
3．2 基于混沌慣性權重的PSO算法
3．2．1 基于振蕩遞減的PSO算法
3．2．2 混沌的基本理論
3．2．3 基于混沌振蕩的PSO算法
3．3 混沌振蕩PSO一BP算法反演建模
3．3．1 BP神經網絡的樣本劃分與建模
3．3．2 BP神經網絡的隱含層結構設計
3．3．3 混沌振蕩PSO-BP算法的實現(xiàn)步驟
3．4 數(shù)值仿真與模型反演
3．4．1 混沌振蕩PSO一BP算法的性能驗證
3．4．2 理論模型反演結果評估
3．5 本章小結
第4章 基于混沌約束DE-BP算法的電阻率成像反演
4．1 微分進化算法的基本原理
4．2 基于混沌約束的DE算法
4．3 混沌約束DE-BP算法反演建模
4．3．1 BP神經網絡的樣本劃分與建模
4．3．2 BP神經網絡的隱含層結構設計
4．3．3 混沌約束DE-BP算法的實現(xiàn)步驟
4．4 數(shù)值仿真與模型反演
4．4．1 混沌約束DE-BP算法的性能驗證
4．4．2 理論模型反演結果評估
4．5 本章小結
第5章 基于信息準則的RBF神經網絡電阻率成像反演
5．1 RBF神經網絡結構
5．2 RBF神經網絡學習算法
5．2．1 聚類算法
5．2．2 梯度算法
5．2．3 正交最小二乘法
5．3 基于漢南一奎因信息準則的OLS學習算法
5．3．1 RBF神經網絡的泛化能力
5．3．2 信息準則
5．3．3 HQOLS算法的實現(xiàn)步驟
5．4 ：HQOLS-RBF電阻率成像反演建模
5．5 數(shù)值仿真與模型反演
5．5．1 HQOLS-RBF算法的性能驗證
5．5．2 理論模型反演結果評估
5．6 本章小結
第6章 基于二階段學習的RBF神經網絡電阻率成像反演
6．1 基于二階段學習的RBF神經網絡基本理論
6．1．1 OLS-RBFNN的不足
6．1．2 RBF神經網絡的樣本規(guī)劃與建模
6．1．3第一階段學習
6．1．4第二階段學習
6．2 基于二階段學習的RBF神經網絡實現(xiàn)步驟
6．3 數(shù)值仿真與模型反演
6．3．1 信息準則的選擇
6．3．2 二階段學習RBF神經網絡的性能驗證
6．3．3 理論模型反演結果評估
6．4 本章小結
第7章 基于主成分一正則化極限學習機的超高密度電法非線性反演
7．1 超高密度電法的基本原理及正演方法
7．2 極限學習機理論
7．2．1 標準極限學習機
7．2．2 主成分一正則化極限學習機
7．3 主成分一正則化極限學習機反演建模
7．3．1 樣本構造
7．3．2 PCA降維
7．3．3 參數(shù)尋優(yōu)
7．3．4 反演流程
7．4 模型反演
7．5 本章小結
第8章 非線性反演工程實例分析
8．1 工程概況
8．2 神經網絡直接反演
8．3 基于最小二乘反演結果的反演
8．4 本章小結
第9章 總結與展望
9．1 總結
9．2 展望
附錄
附錄一：標準BP神經網絡反演的matlab代碼
附錄二：標準RBF神經網絡反演的matlab代碼
參考文獻