直流电法地电模型参数辨识是复杂的非线性问题,常规的线性辨识性方法将非线性问题进行线性化处理,导致解释易陷入局部极值,使得辨识精度降低,以至于获得的辨识模型难以满足地质勘察快速、高精度、高维模式辨识的需求。以BP神经网络为主的非线性辨识算法,以其独特的非线性逼近能力和学习能力,可有效改善辨识模型的辨识质量,能够实现快速、高分辨率及深部地质的勘察实验。然而BP神经网络辨识算法在直流电法参数辨识过程中,存在:1)对初始值敏感,易陷入局部极小值;2)收敛速度较慢,训练时间较长;3)隐含层节点的确定没有规律可循;4)训练中存在过学习以及欠学习的问题。以上因素制约了BP神经网络辨识算法的实际应用和发展。因此,本文一方面通过将其分别与具有全局搜索优势的粒子群算法和遗传算法相结合,综合每个算法的优势,达到改善辨识质量的目的。另一方面提出具有数学与统计学基础的类BP神经网络算法——支持向量机辨识模型,较好的解决了高维模式辨识非线性映射等问题,克服了BP神经网络的缺点,在处理直流电法参数辨识时体现出了自身的优势,有效提高辨识质量。本文围绕理论、数值模拟、方法、模型仿真和工程应用五个方面,展开对直流电法中以神经网络为主非线性算法方法的研究,主要研究内容如下:1)理论方面,阐述了BP神经网络参数辨识的建模过程、辨识原理。从直流电阻率法的工作原理入手,理论推导了直流电法点源的电磁场分布,以及不均匀介质下视电阻率的公式,阐述了影响直流电法辨识过程的常用工作方法、装置类型和不同装置的排列方法。分析了BP神经网络的多层前馈型结构、传递函数、内部训练算法的性能。分析了影响BP神经网络参数辨识的主要过程:样本划分方式、输入输出节点的选择、训练算法的确定、隐含层节点的设置,并研究各个过程对直流电法参数辨识的影响。2)数值模拟方面,主要介绍了正演数值模拟的基本原理,比较分析了有限单元法与有限差分数值计算方法的特点,重点阐述了直流电法地电模型基于有限差分法的二维正演数值模拟方法,通过有限差分数值模拟来建立直流电法地电模型的地质响应,构建非线性参数辨识算法的训练测试数据集,这是基于样本训练的非线性辨识算法的基础,也是本文研究的关键。3)方法方面,结合BP神经网络参数辨识的工作原理,从优化BP神经网络参数角度上,提出了适用于直流电法参数辨识的混合优化辨识方法:基于量子粒子群的神经网络参数辨识方法(QPSO-BP)、基于改进的遗传神经网络参数辨识方法(IGA-BP)。在传统的粒子群算法中引入量子理论,克服粒子群算法的局部收敛的缺点,加快了粒子空间内的搜索速度,便于快速搜寻BP辨识算法参数最优值,从而获得最佳辨识模型。改进的遗传算法保持了遗传算法的搜索特性,同时引入免疫机制的多目标求解的自适应特性,克服遗传算法的“早熟”,与BP神经网络相结合形成具有更高辨识精度的辨识算法。从BP神经网络的结构缺陷角度上,提出了类BP神经网络的最小二乘支持向量机辨识算法(LSSVM),最小二乘支持是支持向量机的改进算法,具有更好的非线性辨识能力和高维辨识能力。4)模型仿真方面,在QPSO-BP算法的基础上,研究了水平双阻模型下和垂向双阻模型下的辨识效果,同传统线性辨识算法和BP辨识算法相比,实现了地电模型辨识速度的提高,证明QPSO优化算法的有效性和可行性。采用IGA-BP算法,研究了垂向双阻模型下和多异常体复杂模型下的辨识情况,通过量化分析数据和辨识结果成图,获得了高精度、快速稳定的辨识结果。针对LSSVM算法,研究了水平双阻异常体模型下和带有低阻覆盖层的高阻体模型下的辨识,分析比较LSSVM方法在参数辨识过程中的各项误差,并定量分析LSSVM算法对直流电法地电模型辨识时间和分辨率的改善。5)工程应用方面,利用分布式高密度电法仪器进行直流电法的参数辨识方法野外实验验证。通过线性辨识算法进行重建辨识模型的训练样本,通过合理设置算法参数,有效的提高了直流电法地电模型的辨识精度和质量,得到较为满意的辨识结果,从实践角度证明非线性辨识算法的有效性与可行性。回顾全文所取得的研究成果,论文的主要创新点如下:1)提出量子粒子群与神经网络算法进行融合的直流电法快速参数辨识方法,量子理论的引入可有效加快粒子群中粒子的搜索速度,克服神经网络对初始值敏感等缺点,有效地提高了辨识模型的辨识速度。2)提出改进的遗传神经直流电法高精度参数辨识方法,在遗传算法里引入免疫机制并将其应用于直流电法地电模型的参数辨识,免疫机制的引入解决了遗传算法容易早熟、优化时间较长的问题,同时克服神经网络易陷入局部极值的缺点,显著地提高了辨识结果的准确度。3)提出基于LSSVM的直流电法高维模式参数辨识算法,利用其非线性以及高维识别能力,有效的克服了BP神经网络辨识算法因结构缺陷在直流电法参数辨识中辨识精度低,辨识时间长的缺点,为直流电法地电模型高维参数辨识提供有效的辨识工具。