《细胞神经网络在重力异常分异中的研究及应用2016年论文》.pdfVIP

1期 李 超等 ：细胞神经网络在重力异常分异 中的研究及应用 17 当r：2时，细胞周围的24个细胞为其邻域 ，依次外 降法 ，对权值变量求导的方法导出权值的修正公式 ： 推可以得到细胞 C(i，)以r为半径的邻域。 ∞(忌+1)一60(k)一a∑ y · 1．1 CNN 的算法 _ 丁_ ( ，一 ti,j) (6) 利用细胞神经 网络处理重力异常的思路，是源 (e ．J+ e—zk~j--tij) 。 … , , 于细胞神经网络在数字图像处理上的应用 ，其基本 原理是将实测的重力异常值作为细胞神经网络的输 2 模型训练及实验 入，将 目标局部异常作为神经 网络的期望输 出，训 练出适合期望输出的网络权值，此权值就是进行 目 2．1 模型训练权值 标重力异常数据分离所用的模版 。 CNN方法是将叠加重力异常作为网络的输入 由文献Es]提出的细胞 C(i，J)在某一时刻的状 及初始状态 ，各个细胞的状态是随CNN进程而变 态方程为： 化的，网络输入是不随CNN而改变的。首先给定 z(+1)一∑ ()∈NJ)A(卜¨ (t)yo+ 网络的初始权值 ，通过输 出方程计算 出当前状态对 ． ∑mlf)∈~_J)Bu-k,)(t)uo+ 应的输出，与 目标异常信息通过输 出方程 的计算得 出的期望输出相 比，判断是否满足学习精度 ，若是则 (2) 完成计算，否则进行权值修正，再通过状态方程计算 式(2)中的第一个求和部分表示细胞 C 邻域细胞的 神经元的次态 ，由输 出方程计算出细胞神经 网络下 输 出量Y 对细胞 Cd施加 的影响；第二个求和 一 次的输出，再判断，直到误差 函数达到学习精度 部分表示细胞 c 域细胞 的输入量 集合对细胞 为止。 C 施加的影响 ；I为偏离量。以r一1为例 时，式 (2) 设计如表 1所示 的模型来训练 CNN 的模板 ， 中的A、B为 ： 由于铬铁矿的密度 比围岩的密度大 ，故采用位于深 rA一1 A一1 ．一 1 ，o A一1，1] 部的小密度的大球来模拟区域异常 ，位于浅部 的大 A= lAo，一1 Ao，0 A0lll 密度的小球来模拟局部重力异常。 fA1．一1