摘要：径向基神经网络（RBFNN）具有结构简单、学习速度快、不易陷入局部极小等优点，能够有效地提高电阻率层析成像反演的收敛速度和求解质量．本文针对电阻率层析成像反演的非线性特征，提出了一种基于汉南一奎因信息准则（HQc）的正交最小二乘法（0LS）学习算法（HOOLS）．该算法通过计算HQC的最优值来自动选择RBFNN的网络结构，避免了传统OLS学习算法中阈值参数的设定，保证了网络的泛化性能．通过比较聚类法、梯度法、OLS和HQOLS等学习算法的反演性能，构建了基于RBFNN的电阻率层析成像反演模型．数值仿真和模型反演的结果表明，该方法实现简单，在准确性上优于BP反演，成像质量优于传统最小二乘法反演．

关键词：电阻率层析成像 径向基神经网络 非线性反演 

单位：中南大学有色金属成矿预测教育部重点实验室 长沙410083 中南大学地球科学与信息物理学院 长沙410083