第1章 緒論
1．1 電阻率成像
1．2 電阻率成像技術(shù)國內(nèi)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(nèi)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(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
1．3．1 神經(jīng)網(wǎng)絡(luò)的概念和研究歷史
1．3．2 神經(jīng)網(wǎng)絡(luò)的基本模型
1．3．3 神經(jīng)網(wǎng)絡(luò)在電阻率法反演中的應(yīng)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(yīng)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(yīng)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(jié)
第2章 基于神經(jīng)網(wǎng)絡(luò)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(chǔ)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(jīng)網(wǎng)絡(luò)的反演方法
2．2．1 BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
2．2．2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
2．2．3 BP神經(jīng)網(wǎng)絡(luò)的樣本劃分與建模
2．2．4 BP神經(jīng)網(wǎng)絡(luò)的反演流程
2．3 本章小結(jié)
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(quán)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(jīng)網(wǎng)絡(luò)的樣本劃分與建模
3．3．2 BP神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)設(shè)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(jié)果評估
3．5 本章小結(jié)
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(jīng)網(wǎng)絡(luò)的樣本劃分與建模
4．3．2 BP神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)設(shè)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(jié)果評估
4．5 本章小結(jié)
第5章 基于信息準(zhǔn)則的RBF神經(jīng)網(wǎng)絡(luò)電阻率成像反演
5．1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5．2 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)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(zhǔn)則的OLS學(xué)習(xí)算法
5．3．1 RBF神經(jīng)網(wǎng)絡(luò)的泛化能力
5．3．2 信息準(zhǔn)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(jié)果評估
5．6 本章小結(jié)
第6章 基于二階段學(xué)習(xí)的RBF神經(jīng)網(wǎng)絡(luò)電阻率成像反演
6．1 基于二階段學(xué)習(xí)的RBF神經(jīng)網(wǎng)絡(luò)基本理論
6．1．1 OLS-RBFNN的不足
6．1．2 RBF神經(jīng)網(wǎng)絡(luò)的樣本規(guī)劃與建模
6．1．3第一階段學(xué)習(xí)
6．1．4第二階段學(xué)習(xí)
6．2 基于二階段學(xué)習(xí)的RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)步驟
6．3 數(shù)值仿真與模型反演
6．3．1 信息準(zhǔn)則的選擇
6．3．2 二階段學(xué)習(xí)RBF神經(jīng)網(wǎng)絡(luò)的性能驗證
6．3．3 理論模型反演結(jié)果評估
6．4 本章小結(jié)
第7章 基于主成分一正則化極限學(xué)習(xí)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(xué)習(xí)機理論
7．2．1 標(biāo)準(zhǔn)極限學(xué)習(xí)機
7．2．2 主成分一正則化極限學(xué)習(xí)機
7．3 主成分一正則化極限學(xué)習(xí)機反演建模
7．3．1 樣本構(gòu)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(jié)
第8章 非線性反演工程實例分析
8．1 工程概況
8．2 神經(jīng)網(wǎng)絡(luò)直接反演
8．3 基于最小二乘反演結(jié)果的反演
8．4 本章小結(jié)
第9章 總結(jié)與展望
9．1 總結(jié)
9．2 展望
附錄
附錄一：標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)反演的matlab代碼
附錄二：標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)反演的matlab代碼
參考文獻