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
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社