论文部分内容阅读
非线性地震反演,在近几年来,无论从理论还是应用方面都得到了长足的发展。基于神经网络的非线性反演是非线性地震反演理论中的一部分,通常可以建立三层前向网络模型,利用地震数据和测井数据之间的非线性映射建立训练样本,用BP算法和遗传算法进行训练网络参数。另外,也可以建立ANFIS模糊神经网络模型,采用最小二乘法,梯度下降法进行训练网络参数。但是,神经网络的参数训练的时间复杂度很高,通常需要很长的时间才能收敛,甚至在有效的时间内可能不能收敛。本文针对此问题,利用各种算法的优点,提出混合算法以提高网络的收敛速度和精度。 本文首先分析了BP算法,ANFIS模糊神经网络和遗传算法的发展和应用现状,以及遗传算法的基本概念、构成要素、运算过程、特点、理论基础和基本遗传算法所涉及到的内容的研究,并将GA算法与BP算法有机的结合,优化三层前向网络的参数、将GA算法与ANFIS相结合,将其应用于优化ANFIS模糊神经网络的前提参数和结论参数问题。其次,研究了模糊神经网络的相关理论以及ANFIS模糊神经网络的特征、ANFIS模糊神经网络学习规则和性能。再次,遗传算法的神经网络全局搜索能力强的特点,本文提出了一种将遗传算法与TS算法(禁忌搜索算法)相合的自适应混合学习算法,从理论和实践两个方面论证了其可行性和实用性。最后,用VC++语言设计了GA-BP混合算法、GA-ANFIS的自适应混合学习算法并将它们应用于函数拟合和高分辨率地震资料解释等问题,从实践中证明自适应混合学习算法模糊神经网络比ANFIS模糊神经网络和基于遗传算法的BP神经网络相比有更好的运算性能、更快的收敛速度和更高的精度。