搜索结果: 1-15 共查到“地球物理学 神经”相关记录25条 . 查询时间(0.616 秒)
地震检测和震相拾取是地震学的重要研究内容,是研究地震活动性及地球内部结构的数据基础。近年来，基于深度学习的地震检测与震相拾取方法研究发展迅速。由于该类方法在精度、速度、鲁棒性等方面优于传统方法，其逐渐为地震学行业所接受并应用在实际科学问题研究中。然而，即使是目前在最大的公开数据集STEAD (Mousavi et al., IEEE Access, 2019)上表现最优的深度学习模型Earthqu...
地磁场伴随地球生命起源和进化过程，它保护地球生物圈免受太阳风及其它高能宇宙射线的辐射伤害，是地球生命的“保护伞”。研究表明：在长期生命演化过程中，细菌和多种动物进化出利用地磁场定向、导航的能力，包括人类大脑也能感知地磁场的变化。然而，动物中枢神经系统功能的维持是否依赖地磁场尚且未知。随着深空探测的发展，如未来月球和火星旅行和居留等，人类可能需要较长时间暴露于极弱的磁场环境中，有必要评估极弱磁场对人...
中国科学院地质与地球物理研究所博士后何清龙与合作导师王彦飞研究员提出了一种基于深度神经网络(DNN)的全波形反演地质体结构的通用反演方法。该方法的主要思想是基于万能逼近定理，使用深度神经网络的权重对物理参数进行重新参数化，将原反演问题转化为物理原理约束下的网络参数的重构问题。该反演方法的优势是：重参数化的网络具有对抗神经网络的功能(GAN)，网络的稀疏表示信息使得该方法具有隐式正则化的作用，因此适...
中国科学院地质与地球物理研究所博士后耿智与合作导师王彦飞研究员提出了一种基于数据驱动的能进行有效地震数据分类的自动搜索神经网络架构(SeismicPatchNet, SPN)（图1）。假设嵌入在勘探地震数据中的关键信号特征可以被ANN捕获，则描述其参数比传统的CNN架构要少得多。该研究设计了具有特定地震振幅序列的概念性信号斑块（图1a），以海洋天然气水合物为例，这些信号类似于水合物的关键地震反射；...
深度神经网络拾取地震P和S波到时
震相拾取 深度神经网络
2019/1/8
从地震波形数据中快速准确地提取各个震相的到时是地震学中的基础问题.本文针对上述问题提出了利用深度神经网络拾取到时的新方法，建立了用于地震到时提取的17层Inception深度网络模型，在对原始三分量数据进行高通滤波和归一化处理后输入网络直接输出到时信息.整个过程基于神经网络自适应提取波形特征，自动输出结果.通过对100组加了不同强度的噪声数据进行了可靠性检验，相比于其他方法神经网络方法对于噪声具有...
基于深度学习卷积神经网络的地震波形自动分类与识别
卷积神经网络 自动波形拾取
2019/2/27
发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题，使用13839个汶川地震余震事件建立数据集，应用深度学习卷积神经网络（CNN）方法进行训练，并用8900个新的汶川余震事件作为检测数据集，其训练和检测准确率均达到95%以上.在对连续波形的检测中，CNN方...
基于神经网络的随机地震反演方法
随机地震反演 序贯高斯模拟 神经网络 训练集
2019/3/21
针对随机地震反演中存在的两个主要问题，随机实现含有噪声和难以从大量随机实现中挖掘有效信息，提出了一种基于神经网络的随机地震反演方法.通过对多组随机实现及其正演地震数据的计算，构建了基于序贯高斯模拟的训练集.这也为应用神经网络求解地球物理反问题，提供了一种有效建立训练集的方法.较之传统的神经网络反演，这种训练集不仅保证了学习样本具有多样性，同时还引入了空间相关性.数值模拟结果表明，该方法只需要通过单...
利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据，首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network，RNN），建立提前24h的单站电离层TEC预报模型.对北京站（40°N，115°E）的预测结果显示，RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network，BP...
基于脉冲耦合神经网络的地震多属性融合方法
脉冲耦合神经网络 地震属性 模型简化 融合
2014/5/7
针对单一地震属性进行油气储层预测时往往存在多解性问题，提出基于脉冲耦合神经网络（PCNN）的地震多属性融合方法：通过简化PCNN模型，利用PCNN神经元结构很强的非线性处理功能，确定各神经元之间的数据融合系数，进而获得对应神经元的融合数据输出，从而实现了地震多属性的融合。该方法简捷、计算效率高、融合效果好。通过川东北地区多种属性切片数据的应用验证了该方法的合理性和有效性。
根据不同流体性质在角度道集上所反映特征的差异，构建了多属性角度叠加数据体组合流体识别因子.并将量子粒子群与模糊神经网络相结合，利用量子粒子群方法来优化模糊神经网络中的连接权值和隶属函数参数，并进行一系列的改进措施，显著提高了算法的全局寻优能力.将近远角度叠加数据体组合流体识别因子作为改进模糊神经网络的输入，流体性质作为输出，同时引入“相控流体识别”的思想，利用碳酸盐岩储集相进行控制，建立了碳酸盐岩...
随着地震勘探精细化要求的提高,薄层及横向变化大的复杂储层反演越来越重要.而当前反演方法大多基于褶积模型,分辨率较低.本文提出了基于褶积神经网络的反演方法,该方法完全由数据驱动,不受褶积模型的限制.褶积神经网络具有层状结构,其输入输出之间的映射关系用褶积算子来描述,而非内积算子.基于褶积神经网络结构,本文给出了映射算子的优化算法,并将其应用到地震反演中.应用结果表明,通过褶积神经网络地震反演,可以获...
基于倾角数据体的神经网络气烟囱识别
倾角数据体 气烟囱 神经网络分析 多属性优化
2013/11/13
气烟囱、断层、盐丘与油气运移直接相关，因而这些地质现象的识别对储层预测至关重要。地质目标体有走向和倾向两个方向属性，如果地震解释不能有效地考虑这两个方向的属性，其结果将与实际有很大的出入。本文应用考虑了地震体倾角和方位角信息的倾角数据体，运用有监督的神经网络分析方法提取能够反映地震异常体的最佳属性，提出一种基于倾角数据体控制下的最优化神经网络地震异常体识别方法。实例研究表明，基于倾角数据体控制下的...
应用犚犅犉神经网络反演二维重力密度分布
密度 反演 非惟一性 ＲＢＦ神经网路
2013/11/13
密度反演以物性变化勾绘场源范围，具有模拟复杂地质体的能力和较强的适应能力，是提高重力方法解决地质问题能力的重要途径。本文利用径向基函数（ＲＢＦ，ＲａｄｉｃａｌＢａｓｉｓＦｕｎｃｔｉｏｎ）神经网络突出的非线性映射能力和泛化性，实现了重力密度二维非线性反演。模型计算证明了该方法的有效性，同时探讨了网络结构、参数的选择以及随机噪声对反演结果的影响。应用此法对中国西北地区阿门子处的重力异常进行反演计算，证...
K指数是一种重要的地磁活动指数，标定K指数的难点在于规则日变化SR的确定，尽管FMI（Finnish Meteorological Institute,芬兰气象学院）方法能够比较准确地识别规则日变化SR，给出合理的K指数，但是该方法存在一天的延迟，无法实现实时标定.为了解决这一问题，本文提出了一种基于径向基神经网络的K指数实时标定方法：首先用修正后的FMI方法提取H分量的时均值序列，接着以径向基神...