第十五讲非线性反演.pptxVIP

第七章 非线性反演;非线性反演概论;非线性反演概论;非线性反演概论;解决非线性问题有两种办法，一是把非线性问题线性化，按线性问题解决，然后通过迭代的办法，逐次逼近，求得反演问题的近似解；一是不走线性化的路子，而按非线性的办法进行反演。 非线性问题线性化的办法，简单、易行，在许多情况下也可以取得较好的结果，但是在目标函数具多极值的情况下，在反演迭代中，容易陷入局部极小，而且反演结果极大的取决于初始模型，也可能使反演出现不稳定，甚至无解。;一般说来，地球物理反演的目标函数都是高次非线性函数，有多个极值。反演时，如初始模型选取不当，不靠近目标函数的全局极小，因而在迭代过程中,只能在局部极小点附近搜索，很难跳出局部极小的阱，这时，只能获得局部最优解；有的反演方法，由于初始模型选取和参数修改的随机性，在搜索的过程中，可能在模型空间全局寻优，其解就是全局最优解。;反演理论家R. L . Parker 在其著名的论文Understanding Inverse Theory中提出，地球物理反演理论必须回答以下4 个问题： 1) 解的存在性（Existence）。即给定一组地球物理观测数据： di ， i = 1 , 2 , 3 , ?, M 之后，是否存在一个能拟和观测数据的地球物理模型m？ 2) 解的非唯一性（Non-uniqueness）。如能求得能拟合观测数据的地球物理模型，解是唯一的还是非唯一的？ 3) 模型构制（Model Construction）。如何求得能拟和观测数据的一个地球物理模型？ 4) 解的评价（Appraisal） 。既然解是非唯一，地球物理反演所获得的任一解又有何意义？;理论严格证明，给定一组地球物理观测数据以后，总可以找到一个能拟合它的地球物理模型。由于观测数据的个数并非无限，不构成一个数据的完备群，加之每一个观测数据均有误差，这就决定了地球物理反问题的解是非惟一的。虽然，反演问题的解是非惟一的，但这个非惟一解仍然是有意义的。;蒙特卡洛法(Monte-Carlo Method) , 模拟退火法( Simulated Annealing) , 人工神经元法(Artificial Neural Network) , 遗传算法( Genetic Algorit hm) , 多尺度反演法(Multi-Scale Inversion) , 同伦反演法( Homotopy Method ) , 非线性共轭梯度法( Non-Linear Conjugate Gradient Method) , 原子跃迁法(Atomic Transition Algorithm) , 量子退火法(Quantum Annealing) , 量子遗传法(Quant um Genetic Algorithm) , 蚂蚁觅食法(Ant Colony Optimization Algorithm) , 免疫算法( Immune algorithm) , 离子群算法( ParticleSwarm Optimization) , 演化博弈算法( Evolutionary Game); 1) 原子跃迁法 (Atomic Transition Algorithm, ATA) 2) 模拟退火法 （Simulated Annealing, SA） 3) 量子退火法 (Quantum SA) 4) 量子遗传算法 (Quantum GA);1) 贝叶斯法 (Bayesian Inversion) 2) 同伦算法 (Homotopy Algorithm) 3) 多尺度非线性反演法 (Multi-Scale Algorithm) 4) 蒙特卡罗法 (Monte-Carlo);1) 粒子群算法 (Particle Swarm Optimization, PSO) 2) 免疫算法 (Immune Algorithm, IA) 3) 人工神经元法 (ANN) 4) 遗传算法 (GA) 5) 蚂蚁算法 (Ant Colony Optimization, ACO）;和线性反演一样，大多数非线性反演法都是基于最优化的原理。即从大量已知模型的正演结果中，选出方差（或其它范数规则）为最小的那个模型作为待求模型的解。因此，正演是反演的前提和瓶颈，成了提高反演速度的关键。;1、梯度法-Gradient method/the steepest descent/the steepest ascent,是一种传统的非线性反演法，它是从一个初始模型出发，沿梯度方向搜索求取