基于改进粒子群深度神经网络的频率域航空电磁反演

发布时间：2025-05-07 02:59

　　 传统的梯度反演方法依赖于初始模型选取,且容易陷入局部极小,在一定程度上影响着反演的求解精度和收敛速度,为此,提出一种基于改进粒子群深度神经网络的频率域航空电磁反演方法。首先,通过频率域航空电磁模型正演获取样本数据集;随后,依据样本数据集建立深度神经网络的基本框架,网络的输入为归一化垂直磁场分量,输出为相应地电模型参数;第三,提出一种惯性权重振荡衰减措施在粒子群优化算法的基础上进行改进,以提高粒子群优化算法的全局寻优能力,并利用改进的粒子群优化算法优化深度神经网络的训练过程,得到连接权值与阈值的最优解;最后,将最优的权值与阈值作为网络的初始值,并利用该网络对未知地电模型进行反演测试。利用层状地质模型测试改进粒子群深度神经网络算法、粒子群神经网络算法和单一的神经网络算法的反演效果,并将此方法运用于实测航空电磁数据反演。研究结果表明:本文提出的改进粒子群神经网络算法充分结合了粒子群优化算法的全局寻优性能和深度神经网络的局部寻优性能,在反演过程中能有效避免反演陷入局部极小,寻找到全局最优解,并能准确地反演出地电模型参数;与粒子群神经网络算法和单一的神经网络算法相比,本文提出的方法具有更高的求解...

【文章页数】：12 页

【部分图文】：

图1 频率域航空电磁层状介质模型示意图

深度神经网络(deepneuralnetwork,DNN)，是近年兴起的一种学习能力极强的机器学习方法，在语音识别、图像识别及自然语言处理等领域应用广泛。它起源于传统的人工神经网络，具备更深的网络深度，能够融合各种非线性特征，具有强大的非线性学习和拟合能力[27]。DNN由多....

图2 深度神经网络示意图

式中：di是训练数据的正确输出；M是节点的个数。式(11)为均方误差函数，式(12)为交叉熵函数。由于DNN具有较多的隐含层，训练难度较大，为使代价函数达到最小值而避免陷入局部极值，常用随机梯度下降和Adam等优化方法[28]。本文采用6层全链接DNN模型，代价函数选择均方误差函....

图3 惯性权重迭代曲线

惯性权重迭代曲线如图3所示，由图3可见：当迭代刚开始时，粒子的惯性权重取值较大，粒子将以较大的飞行速度寻找到全局最优解的范围，保证粒子群优化算法的全局搜索能力；在搜索的后期惯性权重取值较小，粒子的飞行速度较小，进而可以对最优解领域范围进行精确搜索，保证算法的局部搜索能力。同时，在....

图4 改进粒子群优化深度神经网络流程图

在求解复杂的非线性问题时，深度神经网络在设置初始权值时依赖于对样本空间反复试验，易产生网络不稳、收敛速度慢以及陷入局部最优等问题。而改进的粒子群优化算法具有良好的全局寻优能力，将其与深度神经网络结合，理论上可以寻找到求解问题的全局最优解。改进粒子群优化算法优化深度神经网络基本流程....

本文编号：4043501