论文部分内容阅读
各种不同的地球物理场或地球物理资料的联合反演已成为地球物理资料处理的发展方向。联合反演的优点就是比单一地球物理反演方法具有更高的分辨率,并且在一定程度上抑制了问题的多解性。由于地球物理线性联合反演存在计算复杂、迭代不稳定、不能充分利用各种探测方法数据及不能有效结合专家知识等问题,因此本文提出了基于FasART模糊推理神经网络进行地球物理非线性联合反演的新方法。 地球物理数据与模型的关系往往是非常复杂的非线性关系,地球物理反问题可以理解为从数据空间到模型空间的映射。如果把模型空间理解为地球物理属性空间,可以把地球物理反演看作是对实测数据的地球物理属性的理解或解释,对于多种地球物理数据的反演可以看作是多传感器的数据融合。于是,论文针对地球物理数据的模糊性特征,引入模糊集概念,提取各种地球物理探测数据特征模式,利用形状简单、容易计算的三角形隶属函数对输入特征模式模糊化,形成统一的语义模糊集合,用FasART模糊推理神经网络进行语义模糊集合的融合,从而实现多种地球物理数据的联合反演。由于利用了神经网络模式识别处理非线性数据的方法,故只需要提取地球物理数据的模式特征;FasART模糊推理神经网络实现了特征层数据融合,利用反模糊化求出目标体参数。此方法可以联合反演多种地球物理数据;能有效地结合专家知识;优于广义线性联合反演方法,具有更高的分辨率,且能有效抑制解的非唯一性;反演速度快:网络系统一旦训练好,进行反演时不需要任何其他训练,系统能在瞬间搜索到最佳模式,并输出反演结果;适用于不均匀介质的地球物理联合反演。