基于机器学习的电磁反演方法研究
发布时间：2020-12-27 15:55
传统的非线性电磁反演方法在处理电磁反演问题时会出现多解性、局部极值等问题,且这些方法往往非常依赖于足够的先验信息来建立合适的初始模型。机器学习相关算法为电磁反演提供了一种可能性。它不需要去将反演问题线性化,而是将整个物理过程转化为一个“黑匣子”来处理,直接求得反演结果,是一种有价值的电磁反演方法。本文首先采用基于卷积神经网络的电磁反演算法来对电磁反演问题进行了研究,将电磁反演特征(位置参数、相对介电常数)图像化后,形成像素矩阵式的样本,再将这些样本输入到全卷积神经网络中进行训练,针对不同形状的散射体进行了仿真分析。结果表明,基于卷积神经网络的电磁反演算法是一种有效的、高泛化性的非线性电磁反演算法。然后本文首次将K近邻算法理论引入了电磁反演领域并分析了其优劣之处,通过仿真确定了K近邻算法的三要素(距离度量、k值、平均方式),给出了仿真结果。在此基础上,本文还提出了一种疏密交叉网格建模的方法应用于K近邻电磁反演,并给出了其算法思路及程序实现,然后验证了其在不同样本集上的反演效果,分析对比了改进前后的K近邻电磁反演算法的反演精确度及时间开销。仿真结果表明,在使用相对较少训练样本集和计算资源的...
【文章来源】：西安科技大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
模型空间与数据空间之间的映射关系
2相关理论及技术7图2.2(a)、(b)分别为线性、非线性反演迭代搜索示意图最简单最直接的完全非线性反演方法是穷举法或者称为彻底搜索法。在此之后，发展出一些近似反演算法，例如快速松弛反演法[40]等，以及很多非线性反演方法。目前，比较常用的方法如蒙特卡洛法[41]、模拟退火法[42]、遗传算法[43]、人工神经网络算法[44]等都属于非线性反演方法。2.2机器学习作为多个领域交叉的学科，机器学习涉及统计学、概率论、逼近论、算法复杂度理论以及凸分析等多个学科。通过对计算机模拟或实现人类学习行为的方式的专门研究，达到获得新技能及知识、充分组织并结合已有知识进行自身性能不断提高的目的。广义上讲，通过赋予机器学习的能力使其实现直接编程不能完成的功能即为机器学习。然而在实际应用中，机器学习指利用数据将模型训练出来，并采用该模型进行预测的方法。在机器学习中，“训练”及“预测”是最主要的两个过程，这两个过程之间的输出结果即为“模型”，通过“训练”建立“模型”，随后应用“模型”指导“预测”。因此，机器学习实际上通过计算机将经验数据进行分析，根据其规律获得模型，最后采用该模型对未来结果进行预测的方法。就范围而言，机器学习与统计学习、模式识别以及数据挖掘十分相似，然而由于充分结合了其他领域的处理技术，机器学习是一门综合了计算机视觉、自然语言处理以及语音识别的多领域交叉学科。2.2.1机器学习的分类机器学习主要分为以下几个类别：（1）监督学习(supervisedlearning)：提供了一个由包含正确目标(target)的样本组成的训练集(trainingset)，并且以这个训练集为基础，算法进行泛化，直到有可能的输入都给出正确的回答。这也称之为从范例(exemplar)中学习。
3电磁场正演问题的求解15电磁场在完全匹配吸收层中所满足方程的一般数学形式如下：WWWWABCDWtxyz(3.29)这里，=(E,E,E,H,H,H,R,R,R,S,S,S)TxyzxyzxyzxyzW。3.2FDTD计算流程在使用FDTD方法求解散射体的电磁辐射特性时，必须准确地描述散射体的空间参数和电磁参数，并按照FDTD要求进行网格化离散。每个网格均包含空间信息和电磁参数信息。对于一些简单散射体的建模，确定目标区域后将目标区域网格化，再根据散射体的位置标记出散射体对应的网格所在位置，并给出该网格处相对应的电磁参数。图3.2给出了立方体的剖分模型例子。(a)(b)图3.2立方体建模(a)原物体；(b)按元胞剖分后对于复杂形状的散射体，一般做法是将其分解为若干个简单形状目标，然后对其各个部件分别进行FDTD剖分。最后将剖分后各个部件拼接，形成整体的离散模型。建模步骤如图3.3。
【参考文献】：
期刊论文
[1]青藏高原岩石圈三维电性结构[J]. 杨文采,金胜,张罗磊,瞿辰,胡祥云,魏文博,于常青,于鹏. 地球物理学报. 2020(03)
[2]基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测[J]. 院琳,杨雪松,王秉中. 物理学报. 2019(17)
[3]大地电磁测深在珊溪水库诱发地震研究中的应用[J]. 杨福平,余刚群,侯林峰,周昕. 工程地球物理学报. 2019(02)
[4]音频大地电磁数据非线性共轭梯度3D反演在江西相山铀矿勘查中的应用[J]. 夏广沛,翁爱华,李建平,李世文,杨悦,胡英才. 世界地质. 2019(01)
[5]不同类型滑坡体的高密度电阻率法勘察电性特征[J]. 李富,周洪福,葛华. 物探与化探. 2019(01)
[6]探地雷达在道路脱空空洞病害检测中的应用[J]. 许泽善,简世凯,覃谭,唐发伟,曹建龙. 工程地球物理学报. 2019(01)
[7]厚煤层露天矿地下水瞬变电磁法探测[J]. 王鹏. 煤矿安全. 2019(01)
[8]TEM探测深部煤层上覆多电性层的OCCAM反演[J]. 侯彦威. 煤田地质与勘探. 2018(06)
[9]天然电场选频法的浅层地下水勘探效果与异常分析[J]. 杨天春,梁竞,程辉,曹书锦,董绍宇,宫玉菲. 物探与化探. 2018(06)
[10]灰岩区溶洞与薄层泥岩物探异常差异分析[J]. 何建设,李俊杰,李剑强,赵国军,郭佳豪. 水利水电技术. 2018(10)
博士论文
[1]面向图像语义分割的新型卷积神经网络及其应用研究[D]. Robail Yasrab.中国科学技术大学 2017
本文编号：2942034
【文章来源】：西安科技大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
模型空间与数据空间之间的映射关系
2相关理论及技术7图2.2(a)、(b)分别为线性、非线性反演迭代搜索示意图最简单最直接的完全非线性反演方法是穷举法或者称为彻底搜索法。在此之后，发展出一些近似反演算法，例如快速松弛反演法[40]等，以及很多非线性反演方法。目前，比较常用的方法如蒙特卡洛法[41]、模拟退火法[42]、遗传算法[43]、人工神经网络算法[44]等都属于非线性反演方法。2.2机器学习作为多个领域交叉的学科，机器学习涉及统计学、概率论、逼近论、算法复杂度理论以及凸分析等多个学科。通过对计算机模拟或实现人类学习行为的方式的专门研究，达到获得新技能及知识、充分组织并结合已有知识进行自身性能不断提高的目的。广义上讲，通过赋予机器学习的能力使其实现直接编程不能完成的功能即为机器学习。然而在实际应用中，机器学习指利用数据将模型训练出来，并采用该模型进行预测的方法。在机器学习中，“训练”及“预测”是最主要的两个过程，这两个过程之间的输出结果即为“模型”，通过“训练”建立“模型”，随后应用“模型”指导“预测”。因此，机器学习实际上通过计算机将经验数据进行分析，根据其规律获得模型，最后采用该模型对未来结果进行预测的方法。就范围而言，机器学习与统计学习、模式识别以及数据挖掘十分相似，然而由于充分结合了其他领域的处理技术，机器学习是一门综合了计算机视觉、自然语言处理以及语音识别的多领域交叉学科。2.2.1机器学习的分类机器学习主要分为以下几个类别：（1）监督学习(supervisedlearning)：提供了一个由包含正确目标(target)的样本组成的训练集(trainingset)，并且以这个训练集为基础，算法进行泛化，直到有可能的输入都给出正确的回答。这也称之为从范例(exemplar)中学习。
3电磁场正演问题的求解15电磁场在完全匹配吸收层中所满足方程的一般数学形式如下：WWWWABCDWtxyz(3.29)这里，=(E,E,E,H,H,H,R,R,R,S,S,S)TxyzxyzxyzxyzW。3.2FDTD计算流程在使用FDTD方法求解散射体的电磁辐射特性时，必须准确地描述散射体的空间参数和电磁参数，并按照FDTD要求进行网格化离散。每个网格均包含空间信息和电磁参数信息。对于一些简单散射体的建模，确定目标区域后将目标区域网格化，再根据散射体的位置标记出散射体对应的网格所在位置，并给出该网格处相对应的电磁参数。图3.2给出了立方体的剖分模型例子。(a)(b)图3.2立方体建模(a)原物体；(b)按元胞剖分后对于复杂形状的散射体，一般做法是将其分解为若干个简单形状目标，然后对其各个部件分别进行FDTD剖分。最后将剖分后各个部件拼接，形成整体的离散模型。建模步骤如图3.3。
【参考文献】：
期刊论文
[1]青藏高原岩石圈三维电性结构[J]. 杨文采,金胜,张罗磊,瞿辰,胡祥云,魏文博,于常青,于鹏. 地球物理学报. 2020(03)
[2]基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测[J]. 院琳,杨雪松,王秉中. 物理学报. 2019(17)
[3]大地电磁测深在珊溪水库诱发地震研究中的应用[J]. 杨福平,余刚群,侯林峰,周昕. 工程地球物理学报. 2019(02)
[4]音频大地电磁数据非线性共轭梯度3D反演在江西相山铀矿勘查中的应用[J]. 夏广沛,翁爱华,李建平,李世文,杨悦,胡英才. 世界地质. 2019(01)
[5]不同类型滑坡体的高密度电阻率法勘察电性特征[J]. 李富,周洪福,葛华. 物探与化探. 2019(01)
[6]探地雷达在道路脱空空洞病害检测中的应用[J]. 许泽善,简世凯,覃谭,唐发伟,曹建龙. 工程地球物理学报. 2019(01)
[7]厚煤层露天矿地下水瞬变电磁法探测[J]. 王鹏. 煤矿安全. 2019(01)
[8]TEM探测深部煤层上覆多电性层的OCCAM反演[J]. 侯彦威. 煤田地质与勘探. 2018(06)
[9]天然电场选频法的浅层地下水勘探效果与异常分析[J]. 杨天春,梁竞,程辉,曹书锦,董绍宇,宫玉菲. 物探与化探. 2018(06)
[10]灰岩区溶洞与薄层泥岩物探异常差异分析[J]. 何建设,李俊杰,李剑强,赵国军,郭佳豪. 水利水电技术. 2018(10)
博士论文
[1]面向图像语义分割的新型卷积神经网络及其应用研究[D]. Robail Yasrab.中国科学技术大学 2017
本文编号：2942034
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2942034.html
