基于神经网络的地震多参数目标预测系统.pdfVIP

1．2前向网络和误差反传播算法 前向网络，又称为多层感知机，是目前应用最广泛的神经网络模型之一。其结构如图1 所示。标准的误差反传播算法采用梯度下降搜索技术，按最小平方误差准则迭代修正连接权 和阈值。训练时，采用已知类别的样本构成网络的训练集。迭代开始之前对网络的连接权给 一小的随机值。设输入∥经网络运算后得到网络的实际输出为Op，网络要求的输出为胪。 两者之间的误差平方Ep=lo户一D户l，以此修正网络的连接权。在具体实现网络连接权的修 正时，由于要先算出输出层连接权的修正量，然后逐层计算前面各层连接权的修正量，误差 信息在网络中的流向相对于网络的输入信息在网络中的流向来说相反，故这个算法称为误差 反传播(Error Backpropagation)算法o xl yl x2 y2 图1前后网络结构示意图 2软件系统分析设计 为了对地质目标进行预测，根据地震多参数目标预测的特点构建了一个基于神经网络的 Multi—ParametersPrediction 目标预测系统(Seismic Object System)，用于对地质目标进行 多参数预测。 2．1系统总体结构 该系统为了能够完成对地质的多种目标的预测，主要包括了如下功能：目的层数据的提 取，数据的多种变换计算，特征参数的提取，特征参数的选取与预处理，神经网络的学习与 预测，图形显示以及文本的编辑等。其中： (1)目的层数据的提取分为：同相轴的拾取、目的层提取。 (2)数据的多种变换包括：傅立叶谱分析与计算、多种功率谱计算、小波包计算、复地震道 计算。多种功率谱又包括经典谱估计和现代谱估计，其中，经典谱估计为傅立叶功率谱；现 代谱估计分为：伯格功率谱、Walk—yuler功率谱、协方差功率谱和改进协方差功率谱。 (3)特征参数的提取包括九大类，12个模块，分别为：时域振幅统计特征参数、频谱 特征参数、功率谱特征参数、自相关特征参数、线性预测系数、速度特征参数、三瞬特征参 数、相对波阻抗特征参数、吸收系数、小波包特征参数【4]。为了实现方便，把速度特征参 数又分为层速度模块和波阻抗计算与参数提取模块；三瞬特征参数分为瞬时振幅特征参数提 取模块、瞬时频率特征参数提取模块、瞬时相位特征参数提取模块。 (4)神经网络的学习与预测包括特征参数的选取、预处理及BP神经网络的建立、训练 与预测4个部分。 (5)图形显示包括地震剖面和特征参数的显示。其中，地震剖面显示方式包括波形方 式、变面积方式、波形加变面积方式、彩色显示4种方式，同时还支持打印机输出。 435 数妣 凝器 嚣 踹 地震目标预测系统 变换处理 参数提取 同形显一不 预测分析 文本编辑 目的层提取